DIAGNOSA PENYAKIT KULIT MENGGUNAKAN METODE
NAIVE BAYES PADA SMPIT AL BINAA
ISLAMIC BOARDING SCHOOL
SKRIPSI
Diajukan untuk memenuhi salah satu syarat kelulusan Strata Satu (S1)
MUHAMMAD IHROM
NIM: 11122703
Program Studi Sistem Informasi
Sekolah Tinggi Manajemen Informatika dan Komputer
NUSA MANDIRI
Jakarta
2016
LEMBAR PERSEMBAHAN
بسم اهلل الرحمان الرحيم
حمد هلل و الصالة و السالم على نبينا محمد، و على آله و صحبه أجمعين، أما بعد:ال
Allah „azza Wa Jalla berfirman: “Sesungguhnya Allah meninggikan
(derajat) orang-orang yang beriman di antara kalian dan para penuntut
ilmu beberapa derajat”. (Q.S. Al-Mujadilah:11).
Sebagai seorang penuntut ilmu, maka karya yang telah dibuat oleh hamba
Allah ta’ala ini seyogyanya dipersembahkan kepada:
a. Allah Subhanahu wa Ta’ala yang telah melimpahkan berbagai macam nikmat
dan karunianya sehingga peneliti dapat menyelesaikan penelitian ini dengan
baik.
b. Ibundaku, Ayahandaku, dan seluruh keluargaku yang tak kenal lelah dalam
memberi semangat, masukan, dan selalu memanjatkan doa pada Allah ta’ala
agar ananda ini dapat menjadi orang yang bermanfaat bagi nusa, bangsa, dan
negara Indonesia kelak.
c. Adikku yang rela waktunya tersita untuk mendukung abang nya dalam
menyelesaikan skripsi ini dan berbaik hati untuk selalu mendoakan yang
terbaik bagi abang nya ini.
d. Pimpinan Pesantren AL BINAA IBS, Kepala Sekolah SMAIT AL BINAA
IBS, Kepala Sekolah SMPIT AL BINAA IBS, serta Dewan Guru dan
Karyawan SMP-SMAIT AL BINAA IBS yang telah memberikan kesempatan
yang amat besar bagi peneliti untuk melakukan riset dan pengabdian kepada
sebuah institusi sehingga peneliti mendapatkan bahan-bahan yang dapat
dipergunakan untuk melengkapi kebutuhan penelitian ini.
e. Dosen Pembimbing I Ibu Nining Suryani, M.Kom dan Dosen Pembimbing II
ibu Eri Mardiani, M.Kom yang telah meluangkan waktu untuk peneliti dapat
berdiskusi dan membimbing peneliti dalam menyelesaikan skripsi ini.
f. Teman-teman di Jurusan Syariah Semester 4 Universitas Imam Muhammad bin
Suud (LIPIA) yang terus memberi dukungan bagi peneliti untuk terus berusaha
dalam menuntut ilmu serta selalu memanjatkan doa untuk masa depan yang
terbaik.
g. Teman-teman di kelas 12.6C.32 dan 11.7AC.07 yang selalu menemani peneliti
baik suka maupun duka dan tak henti-henti nya kalian mendukung peneliti baik
di kala susah maupun di kala mudah.
h. Teman-teman angkatan 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, dan 12 di SMP-SMAIT
AL BINAA IBS yang senantiasa mendoakan peneliti dan mendukung
pembuatan skripsi ini, baik secara moril maupun materil.
Pada akhirnya, perkenankan peneliti untuk mengakhiri lembar persembahan ini
dengan membawakan hadits Nabi Sholallahu ’alaihi Wassalam sebagai bentuk
persembahan bagi kaum muslimin khususnya dan bangsa Indonesia Umumnya,
yaitu:
Dari Abu Hurairah (Semoga Allah ta‟ala meridhoinya) berkata:
Bersabda Rasulullah Sholallahu ‟alaihi Was Salam: ”Jika anak Adam
meninggal akan terputus seluruh amalannya kecuali 3 hal: shodaqoh
jariyah atau ilmu yang bermanfaat atau anak yang sholeh yang
mendoakannya”. (HR. Muslim no. 1631)
SURAT PERNYATAAN KEASLIAN SKIPSI
Yang bertanda tangan di bawah ini:
Nama : Muhammad Ihrom
NIM : 11122703
Program Studi : Sistem Informasi
Perguruan Tinggi : STMIK Nusa Mandiri
Dengan ini menyatakan bahwa skripsi yang telah saya buat dengan judul:
“Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT
AL BINAA Islamic Boarding School”, adalah asli (orisinil) atau tidak plagiat
(menjiplak) dan belum pernah diterbitkan/dipublikasikan di manapun dan dalam
bentuk apapun.
Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya tanpa ada
paksaan dari pihak manapun juga. Apabila di kemudian hari ternyata saya
memberikan keterangan palsu dan atau ada pihak lain yang mengklaim bahwa
skripsi yang telah saya buat adalah hasil karya milik seseorang atau badan
tertentu, saya bersedia diproses baik secara pidana maupun perdata dan kelulusan
saya dari Sekolah Tinggi Manajemen Informatika & Komputer Nusa
Mandiri dicabut/dibatalkan.
Dibuat di : Jakarta
Pada tanggal : 5 Februari 2016
Yang menyatakan,
Materai Rp 6000
Muhammad Ihrom
SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya:
Nama : Muhammad Ihrom
NIM : 11122703
Perguruan Tinggi : STMIK Nusa Mandiri
Program Studi : Sistem Informasi
Dengan ini menyetujui untuk memberikan ijin kepada pihak Sekolah Tinggi
Manajemen Informatika & Komputer Nusa Mandiri, Hak Bebas Royalti Non-
Eksklusif (Non-exclusive Royalti-Free Right) atas karya ilmiah kami yang
berjudul: “Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada
SMPIT AL BINAA Islamic Boarding School”, beserta perangkat yang
diperlukan (apabila ada).
Dengan Hak Bebas Royalti Non-Eksklusif ini pihak Sekolah Tinggi
Manajemen Informatika & Komputer Nusa Mandiri berhak menyimpan,
mengalih-media atau format-kan, mengelolanya dalam pangkalan data (database),
mendistribusikannya dan menampilkan atau mempublikasikannya di internet atau
media lain untuk kepentingan akademis tanpa perlu meminta ijin dari kami selama
tetap mencantumkan nama kami sebagai penulis/pencipta karya ilmiah tersebut.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Sekolah
Tinggi Manajemen Informatika & Komputer Nusa Mandiri, segala bentuk
tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya
ini.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Jakarta
Pada tanggal : 5 Februari 2016
Yang menyatakan,
Materai Rp 6000
Muhammad Ihrom
PERSETUJUAN DAN PENGESAHAN SKRIPSI
Skripsi ini diajukan oleh :
Nama : Muhammad Ihrom
NIM : 11122703
Program Studi : Sistem Informasi
Jenjang : Strata Satu (S1)
Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode Naïve
Bayes pada SMPIT AL BINAA Islamic Boarding School
Untuk dipertahankan pada Periode II-2015 di hadapan penguji dan diterima
sebagai bagian persyaratan yang diperlukan untuk memperoleh Sarjana Ilmu
Komputer (S.Kom) pada Program Strata Satu (S1) Program Studi Sistem
Informasi di Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri.
Jakarta, 5 Februari 2016
PEMBIMBING SKRIPSI
Dosen Pembimbing I : Nining Suryani, M.Kom ..................................
Dosen Pembimbing II : Eri Mardiani, M.Kom ..................................
D E W A N P E N G U J I
Penguji I : ……………………………….. .............................
Penguji II : ……………………………….. .............................
PERSETUJUAN DAN PENGESAHAN SKRIPSI
Skripsi ini diajukan oleh:
Nama : Muhammad Ihrom
NIM : 11122703
Program Studi : Sistem Informasi
Jenjang : Strata Satu (S1)
Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode Naïve
Bayes pada SMPIT AL BINAA Islamic Boarding School
Telah dipertahankan pada Periode II-2015 di hadapan penguji dan diterima
sebagai bagian persyaratan yang diperlukan untuk memperoleh Sarjana Ilmu
Komputer (S.Kom) pada Program Strata Satu (S1) Program Studi Sistem
Informasi di Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri.
Jakarta, 23 Februari 2016
PEMBIMBING SKRIPSI
Dosen Pembimbing I : Nining Suryani, M.Kom ................................
Dosen Pembimbing II : Eri Mardiani, M.Kom ................................
D E W A N P E N G U J I
Penguji I : ……………………………….. ..............................
Penguji II : ……………………………….. ...............................
KATA PENGANTAR
حمد هلل و الصالة و السالم على نبينا محمد، و على آله و صحبه أجمعين، أما بعد:ال
Berkat rahmat dan karunia Allah Subhanahu wa Ta’ala peneliti dapat
menyelesaikan skripsi ini dengan baik. Adapun judul penelitian skripsi yang
diambil oleh peneliti adalah sebagai berikut: “DIAGNOSA PENYAKIT KULIT
MENGGUNAKAN METODE NAIVE BAYES PADA SMPIT AL BINAA
ISLAMIC BOARDING SCHOOL”.
Tujuan penelitian skripsi ini dibuat sebagai salah satu syarat kelulusan
Program Strata Satu (S1) pada STMIK Nusa Mandiri. Sebagai bahan penelitian,
peneliti mengambil data berdasarkan observasi, wawancara, dan studi pustaka
yang mendukung tulisan ini. Peneliti menyadari sepenuhnya bahwa penelitian
skripsi ini tidak akan berjalan dengan lancar tanpa bantuan, petunjuk, bimbingan
dan saran-saran dari berbagai pihak. Oleh karena itu, pada kesempatan ini peneliti
ingin mengucapkan terima kasih kepada yang terhormat :
1. Ketua STMIK Nusa Mandiri.
2. Pembantu Ketua I STMIK Nusa Mandiri.
3. Ketua Program Studi Sistem Informasi STMIK Nusa Mandiri.
4. Ibu Nining Suryani, M.Kom selaku Dosen Pembimbing I skripsi.
5. Ibu Eri Mardiani, M.Kom selaku Dosen Pembimbing II skripsi.
6. Seluruh Staff, Karyawan, Dosen, dan Instruktur di lingkungan STMIK Nusa
Mandiri.
7. Orang Tua dan seluruh keluarga tercinta yang telah memberikan dukungan
moril, materil maupun spiritual.
8. Ustadz Aslam Muhsin Abidin, Lc. selaku Pimpinan Pesantren AL BINAA
IBS.
9. Ustadz Agung Wahyu Adhy, Lc. selaku Kepala Sekolah SMAIT AL BINAA
IBS.
10. Ustadz Hasyim, S.Pd. selaku Kepala Sekolah SMPIT AL BINAA IBS.
11. Bapak Ade Darsono selaku Petugas Kesehatan di Pesantren AL BINAA IBS.
12. Dewan Guru dan Karyawan SMP-SMAIT AL BINAA IBS.
13. Teman-teman kelas 12.6C.32 dan 11.7AC.07 di STMIK Nusa Mandiri.
14. Teman-teman angkatan 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, dan 12 di SMP-SMAIT
AL BINAA IBS.
Serta semua pihak yang tidak bisa disebutkan satu persatu karena
keterbatasan waktu dan tempat penulisan skripsi ini. Peneliti menyadari bahwa
dalam penyusunan skripsi ini masih jauh dari sempurna, karena keterbatasan ilmu
dan kemampuan peneliti. Oleh karena itu, dengan segala kerendahan hati peneliti
memohon maaf atas kekurangan dalam penyusunan skripsi ini. Selain itu, kritik
dan saran yang sifatnya membangun, juga peneliti harapkan untuk dijadikan
pengalaman dan pembelajaran bagi penelitian dimasa yang akan datang.
Akhir kata, semoga skripsi ini dapat bermanfaat bagi peneliti khususnya
dan para pembaca yang berminat pada umumnya, khususnya rekan-rekan
mahasiswa STMIK Nusa Mandiri.
Jakarta, 5 Februari 2016
Muhammad Ihrom
ABSTRAK
Muhammad Ihrom (11122703), Diagnosa Penyakit Kulit Menggunakan
Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School
Pesantren merupakan tempat para santri atau siswa belajar dan bertempat tinggal
sementara. Namun, kebersihan lingkungan kurang diperhatikan di beberapa
pesantren. Akibat dari kurangnya perhatian terhadap kebersihan dapat
menimbulkan masalah, salah satunya timbulnya penyakit kulit. Gejala yang
ditimbulkan penyakit kulit berupa: kulit kemerahan, vesikel atau bintik-bintik,
gatal, luka, panas, dan infeksi. Pada penelitianini, penyakit kulit akan
dikategorikan menjadi 2, yaitu: penyakit kulit yang termasuk dermatitis dan
penyakit kulit yang tidak termasuk dermatitis. Pengkategorian penyakit ini
menggunakan metode naïve bayes dengan mengolah 228 data yang berkaitan
dengan penyakit kulit yang berasaldari data arsip rekam medik SMPIT AL
BINAA IBS. Sampel data yang diambil untukpenghitunganmetode naivebayes
secara manual berjumlah 165 data dengan sampel pengujian sebanyak 1 data.
Pengambilan sampel ditujukan untuk membuat model penghitungan metode naïve
bayes secara manual. Hasil dari penghitungan metode naïve bayes menunjukkan
bahwa seluruh data dapat diklasifikasi dengan tingkat akurasi 100% dan memiliki
kecepatan penghitungan selama 0 detik serta tidak ada satupun data yang
diklasifikasikan secara tidaktepat pada penelitian ini.
Kata Kunci :Diagnosa penyakit kulit, Metode Naïve Bayes
DAFTAR ISI
Halaman
Lembar Judul Skripsi .............................................................................................. i
Lembar Persembahan .............................................................................................. ii
Lembar Pernyataan Keaslian Skripsi ...................................................................... iv
Lembar Pernyataan Persetujuan Publikasi Karya Ilmiah ........................................ v
Lembar Persetujuan dan Pengesahan Skripsi .......................................................... vi
Lembar Panduan Penggunaan Hak Cipta ................................................................ vii
Kata Pengantar ........................................................................................................ viii
Abstraksi ................................................................................................................. x
Daftar Isi.................................................................................................................. xii
Daftar Gambar ......................................................................................................... xiv
Daftar Tabel ............................................................................................................ xv
Daftar Lampiran ...................................................................................................... xvi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah .................................................................. 1
1.2 Identifikasi Masalah ........................................................................ 2
1.3 Maksud dan Tujuan ......................................................................... 2
1.4 Metode Penelitian ............................................................................ 2
A. Observasi .................................................................................... 3
B. Wawancara................................................................................. 4
C. Studi Pustaka............................................................................... 4
1.5 Ruang Lingkup ................................................................................ 4
1.6 Hipotesis .......................................................................................... 5
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka ............................................................................. 6
2.1.1 Penyakit Kulit ........................................................................ 6
2.1.2 Populasi dan Sampel .............................................................. 9
2.1.3 Data Mining ........................................................................... 10
2.1.4 Metode Naïve Bayes............................................................... 18
2.1.5 Software Rapidminer.............................................................. 20
2.2 Penelitian Terkait .............................................................................. 21
2.3 Tinjauan Organisasi atau Objek Penelitian ..................................... 22
2.3.1 Sejarah Organisasi.................................................................. 22
2.3.2 Visi dan Misi .......................................................................... 24
2.3.3 Struktur Organisasi ................................................................ 24
2.3.4 Objek Penelitian ..................................................................... 27
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian .......................................................................... 29
3.2 Instrument Penelitian ....................................................................... 33
3.3 Metode Pengumpulan Data, Populasi, dan Sampel Penelitian ........ 34
3.4 Metode Analisis Data ....................................................................... 36
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Implementasi Penelitian .................................................................. 64
4.2 Analisa Data Menggunakan Software Rapidminer ......................... 65
4.2.1 Distribution Model ................................................................. 53
4.2.2 Example Set ............................................................................ 68
4.2.3 Performance Vector ............................................................... 70
BAB V PENUTUP
5.1 Kesimpulan ...................................................................................... 72
5.2 Saran ................................................................................................ 73
DAFTAR PUSTAKA
DAFTAR RIWAYAT HIDUP
LEMBAR KONSULTASI BIMBINGAN
LAMPIRAN
Lampiran A.1 Tabel Data Arsip Rekam Medik
Lampiran A.2 Tabel Sampel 165 Data Arsip Rekam Medik
Lampiran A.3 Tabel Data Arsip Rekam Medik Untuk Diproses Dengan
Software Rapidminer
Lampiran B.1 Penghitungan Manual Diagnosa Penyakit Kulit
Menggunakan Metode Naïve Bayes
Lampiran C.1 Catatan Anekdot
Lampiran C.2 Laporan Wawancara
ABSTRACT
Muhammad Ihrom (11122703), The Diagnosis of Skin Disease using Naïve
Bayes Method at AL BINAA JUNIOR HIGH ISLAMIC BOARDING SCHOOL
The boarding school is the place which the students study and live for a moment.
But, if the cleanliness here is not be interested, it can make some problems,
example: skin disease. The skin disease symptom is skin redness, vesicle,
itchiness, wound, fever, and infection. In this research, the skin disease will be
categorized to: include dermatitis and not include dermatitis. The data have taken
by archive document of diseases in AL BINAA JUNIOR HIGH ISLAMIC
BOARDING SCHOOL. Naïve bayes method will categorize the skin disease using
228 data from archive document. The 165 data sampling is used to make a model
with manually calculating of naïve bayes method and 1 other data will used to
exam this model. The result of this research is naïve bayes method has 100% of
accuracy to classify skin disease with 0 second of timing this classification and
this research has not a missing data.
Keywords: diagnosis of skin disease, naïve bayes method.
DAFTAR SIMBOL
A. Entity Relation Diagram
ENTITAS
Adalah Suatu Objek yang dapat di
identifikasi dalam Lingkungan pemakai.
RELASI
Menunjukan adanya hubungan diantara
sejumlah Entitas yang berbeda.
ATRIBUT
Berfungsi Mendeskripsikan karakter
Entitas atribut yang berfungsi sebagai
key di berigaris bawah
GARIS
Sebagai Penghubung antara relasi
dengan entitas, relasi dan Entitas dengan
atribut.
DAFTAR SIMBOL
B. Logical Relational Struktur
ENTITAS
Adalah Suatu Objek yang terdapat nama
tabel dan field-field nya.
TABEL
FIELD
PRIMARY KEY
field kunci / utama dari suatu tabel.
FOREIGN KEY
Kunci penghubung kedua tabel dan
melengkapi satu relationship (hubungan)
terhadap kunci utama
GARIS
Sebagai Penghubung Primary Key
dengan Foreign Key antar fiel-field.
DAFTAR SIMBOL
C. Struktur Navigasi
PAGE
Adalah bagian dari halaman sebuah
website.
GARIS
Sebagai Penghubung antar halaman
sebuah website sesuai arah tanda panah
DAFTAR GAMBAR
Halaman
1. Gambar II.1. Bidang Ilmu Data Mining .......................................................... 12
2. Gambar II.2. Persamaan umum teorema bayes................................................ 19
3. Gambar II.3. Penerapan teorema bayes dalam klasifikasi ............................... 19
4. Gambar II.4. Persamaan yang dipakai dalam naïve bayes classification ........ 20
5. Gambar II.5. Struktur organisasi SMPIT AL BINAA IBS ............................. 25
6. Gambar III.1. Arsip Data Rekam Medik Asli .................................................. 37
7. Gambar III.2. Data Primer Arsip Data Rekam Medik Setelah Penulisan ulang
.......................................................................................................................... 38
8. Gambar III.3. Sampel Data Pengujian Nomor Data 166 ................................. 38
9. Gambar III.4. Halaman Depan Software Rapidminer 5.3 ............................... 39
10. Gambar III.5. Gambar 25 Data Teratas Setelah Pengubahan Atribut .............. 40
11. Gambar III.6. Proses Impor Data Excel pada Rapidminer 5.3 ........................ 41
12. Gambar III.7. Proses Pemilihan Data Excel ................................................... 41
13. Gambar III.8. Pembacaan Data Oleh Software Rapidminer ........................... 42
14. Gambar III.9. Pemberian Label dan Atribut Pada Software Rapidminer ....... 43
15. Gambar III.10. Penempatan Data yang Telah Diimpor .................................. 44
16. Gambar III.11. Metode Naïve Bayes Pada Software Rapidminer .................... 45
17. Gambar III.12. Tools Pengukur Akurasi Dari Model Naïve Bayes ................. 45
18. Gambar III.13. Hasil Pemrosesan Data Impor oleh Software Rapidminer ...... 46
19. Gambar IV.1. Proses Penempatan Data yang Telah Diimpor ......................... 50
20. Gambar IV.2. Penempatan Data Transformation, Modelling, dan Evaluation
pada Utility ............................................................................... 51
21. Gambar IV.3. Hasil Pemrosesan Data Menggunakan Software Rapidminer .. 52
22. Gambar IV.4. Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas
yang Terbentuk ......................................................................... 53
23. Gambar IV.5. Hasil Distribusi Gejala-Gejala pada Kolom Y dan Kelas N ..... 55
24. Gambar IV.6. Hasil Distribusi Gejala Kulit Kemerahan ................................. 56
25. Gambar IV.7. Hasil Distribusi Gejala Vesikel atau Bintik-Bintik ................... 58
26. Gambar IV.8. Hasil Distribusi Gejala Gatal .................................................... 60
27. Gambar IV.9. Hasil Distribusi Gejala Luka ..................................................... 62
28. Gambar IV.10. Hasil Distribusi Gejala Panas ................................................. 64
29. Gambar IV.11. Hasil Distribusi Gejala Infeksi ................................................ 66
30. Gambar IV.12. Pengelompokkan Data Berdasarkan Gejala ............................ 68
31. Gambar IV.13. Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes
.......................................................................................................................... 70
32. Gambar IV.14. Waktu yang Dibutuhkan Untuk Mengklasifikasi Data ........... 71
33. Gambar Lampiran B.1.1 Sampel Data Pengujian ............................................ 111
DAFTAR GAMBAR
Halaman
1. Gambar II.1. Bidang Ilmu Data Mining .......................................................... 12
2. Gambar II.2. Persamaan umum teorema bayes................................................ 19
3. Gambar II.3. Penerapan teorema bayes dalam klasifikasi ............................... 19
4. Gambar II.4. Persamaan yang dipakai dalam naïve bayes classification ........ 20
5. Gambar II.5. Struktur organisasi SMPIT AL BINAA IBS ............................. 25
6. Gambar III.1. Arsip Data Rekam Medik Asli .................................................. 37
7. Gambar III.2. Data Primer Arsip Data Rekam Medik Setelah Penulisan ulang
.......................................................................................................................... 38
8. Gambar III.3. Sampel Data Pengujian Nomor Data 166 ................................. 38
9. Gambar III.4. Halaman Depan Software Rapidminer 5.3 ............................... 39
10. Gambar III.5. Gambar 25 Data Teratas Setelah Pengubahan Atribut .............. 40
11. Gambar III.6. Proses Impor Data Excel pada Rapidminer 5.3 ........................ 41
12. Gambar III.7. Proses Pemilihan Data Excel ................................................... 41
13. Gambar III.8. Pembacaan Data Oleh Software Rapidminer ........................... 42
14. Gambar III.9. Pemberian Label dan Atribut Pada Software Rapidminer ....... 43
15. Gambar III.10. Penempatan Data yang Telah Diimpor .................................. 44
16. Gambar III.11. Metode Naïve Bayes Pada Software Rapidminer .................... 45
17. Gambar III.12. Tools Pengukur Akurasi Dari Model Naïve Bayes ................. 45
18. Gambar III.13. Hasil Pemrosesan Data Impor oleh Software Rapidminer ...... 46
19. Gambar IV.1. Proses Penempatan Data yang Telah Diimpor ......................... 50
20. Gambar IV.2. Penempatan Data Transformation, Modelling, dan Evaluation
pada Utility ............................................................................... 51
21. Gambar IV.3. Hasil Pemrosesan Data Menggunakan Software Rapidminer .. 52
22. Gambar IV.4. Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas
yang Terbentuk ......................................................................... 53
23. Gambar IV.5. Hasil Distribusi Gejala-Gejala pada Kolom Y dan Kelas N ..... 55
24. Gambar IV.6. Hasil Distribusi Gejala Kulit Kemerahan ................................. 56
25. Gambar IV.7. Hasil Distribusi Gejala Vesikel atau Bintik-Bintik ................... 58
26. Gambar IV.8. Hasil Distribusi Gejala Gatal .................................................... 60
27. Gambar IV.9. Hasil Distribusi Gejala Luka ..................................................... 62
28. Gambar IV.10. Hasil Distribusi Gejala Panas ................................................. 64
29. Gambar IV.11. Hasil Distribusi Gejala Infeksi ................................................ 66
30. Gambar IV.12. Pengelompokkan Data Berdasarkan Gejala ............................ 68
31. Gambar IV.13. Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes
.......................................................................................................................... 70
32. Gambar IV.14. Waktu yang Dibutuhkan Untuk Mengklasifikasi Data ........... 71
33. Gambar Lampiran B.1.1 Sampel Data Pengujian ............................................ 111
DAFTAR TABEL
Halaman
1. Tabel III.1. Tabel Relasi Gejala dan Penyakit ................................................. 44
DAFTAR LAMPIRAN
Halaman
1. Lampiran A.1. Tabel Data Arsip Rekam Medik .............................................. 68
2. Lampiran A.2. Tabel Sampel 165 Data Arsip Rekam Medik .......................... 68
3. Lampiran A.3. Tabel Data Arsip Rekam Medik Untuk Diproses Dengan
Software Rapidminer ................................................................ 69
4. Lampiran B.1. Penghitungan Manual Diagnosa Penyakit Kulit
Menggunakan Metode Naïve Bayes ......................................... 70
5. Lampiran C.1. Catatan Anekdot ...................................................................... 70
6. Lampiran C.2. Laporan Wawancara ................................................................ 71
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Kulit adalah salah satu organ tubuh yang terletak di bagian luar yang
mencerminkan kesehatan dan kebersihan seseorang, sehingga bagian tubuh ini
rentan terhadap risiko penyakit kulit (Azizah, 2014:147).
Bahkan, data yang didapat pada tahun 2005 yang berasal dari Pondok
Pesantren Kabupaten Lamongan, menunjukkan bahwa ada sekitar 64,2% santri
menderita scabies (Kurniawan, 2012:30).
Scabies merupakan salah satu penyakit kulit yang termasuk lima
penyakit terbanyak pada penelitian di RS Karitas, Sumba Barat Daya (Azizah,
2014:147).
Berdasarkan data tersebut, peneliti menduga bahwa pondok pesantren
merupakan tempat yang sering terjadi kejadian penyakit kulit. Oleh karena itu,
peneliti membuat suatu penelitian yang bertempat di sebuah pesantren di Jawa
Barat yang bernama SMPIT AL BINAA Islamic Boarding School atau yang lebih
dikenal dengan SMPIT AL BINAA IBS. Sekolah ini merupakan sebuah pesantren
modern yang terletak di daerah persawahan. Saat berkunjung ke pesantren ini,
peneliti mendapatkan informasi tentang banyaknya keluhan tentang penyakit kulit
dari petugas medis setempat, oleh karena itu peneliti mencoba menelusuri
kebenaran informasi tersebut. Setelah melakukan pencarian data, maka peneliti
menemukan data yang terkait dengan permasalahan penyakit kulit mencapai 228
data. Oleh karena itu, peneliti merasa perlu untuk melakukan penelitian ini untuk
mendapatkan pengetahuan tentang gejala-gejala yang dapat menyebabkan
penyakit kulit berdasarkan data yang telah didapat, kemudian membuat klasifikasi
terhadap penyakit tersebut berdasarkan gejala-gejala yang dialami pasien.
Berdasarkan latar belakang tersebut, maka peneliti memberikan judul
pada penelitian ini dengan judul: “Diagnosa Penyakit Kulit Menggunakan
Metode Naïve Bayes pada SMPIT AL BINAA ISLAMIC BOARDING
SCHOOL”.
1.2 Identifikasi Masalah
Setelah melaksanakan riset di SMPIT AL BINAA IBS tersebut, peneliti
pada akhirnya menemukan ada 228 kasus yang ditemukan pada kasus penyakit
kulit di pesantren ini yang dimulai dari tahun 2013-2015. Oleh karena itu, peneliti
merangkum permasalahan pada penyakit kulit di pesantren ini sebagai berikut:
1. Bagaimana mengklasifikasi penyakit kulit berdasarkan gejala-gejala yang
dialami pasien dengan menggunakan metode naïve bayes?
2. Bagaimana tingkat akurasi teknik klasifikasi data mining dengan menggunakan
metode naïve bayes dalam mengklasifikasi penyakit kulit?
1.3 Maksud dan Tujuan
Maksud dari penelitian ini adalah sebagai berikut:
1. Mengetahui klasifikasi penyakit kulit berdasarkan gejala-gejala
yang dialami oleh pasien dengan menggunakan metode naïve
bayes.
2. Mengetahui tingkat akurasi teknik klasifikasi data mining dengan
menggunakan metode naïve bayes dalam mengklasifikasi penyakit
kulit.
Tujuan dari penelitian ini adalah untuk memenuhi salah satu syarat
yang telah ditentukan dalam mencapai kelulusan Program Strata Satu (S-1)
Program Studi Sistem Informasi pada Sekolah Tinggi Manajemen Informatika
dan Komputer Nusa Mandiri (STMIK Nusa Mandiri).
1.4 Metode Penelitian
Pada penelitian ini, peneliti menggunakan metode deskriptif atau
pengamatan langsung dengan menggunakan teknik pengumpulan data sebagai
berikut:
A. Observasi
Teknik ini digunakan oleh peneliti untuk mendapatkan data di
lapangan dengan cara mengamati langsung kejadian penyakit kulit
yang terjadi di SMPIT AL BINAA IBS dan meneliti data-data yang
telah direkam oleh pihak medis setempat terkait penyakit tersebut.
Pada penelitian ini, peneliti mengidentifikasi data-data yang telah
diarsipkan oleh bagian kesehatan dari pihak sekolah, melalui bantuan
petugas medis setempat yang bernama Bapak Ade Darsono yang biasa
dipanggil Bapak Ade. Setelah peneliti berkonsultasi dengan beliau,
peneliti menemukan data-data yang berkaitan dengan penyakit kulit
dan menemukan beberapa kasus yang dilakukan dengan pengamatan
langsung pada pasien penderita penyakit kulit yang ditangani langsung
oleh Bapak Ade. Setelah berkonsultasi dan melakukan pengamatan,
Bapak Ade memberikan kepada peneliti data-data penyakit kulit yang
telah diarsipkan tersebut.
B. Wawancara
Teknik ini digunakan oleh peneliti untuk mendapatkan informasi
tentang kejadian penyakit kulit pada sekolah tersebut. Oleh karena itu,
peneliti mewawancarai pihak medis setempat yang diwakili oleh
Bapak Ade selaku petugas kesehatan di sekolah tersebut. Setelah
mengamati dan meneliti kejadian penyakit kulit pada pesantren
tersebut, peneliti mewawancara Bapak Ade dengan beberapa
pertanyaan yang berkaitan dengan penyakit kulit. Setelah
diwawancarai, Bapak Ade memberikan sampel kasus beserta cara
penanganannya di depan peneliti.
C. Studi Pustaka
Teknik ini dimanfaatkan oleh peneliti untuk mendapatkan informasi
yang lebih mendetail tentang kejadian penyakit kulit, gejala-gejala
penyakit kulit, dan ciri-ciri dari penyakit tersebut.
1.5 Ruang Lingkup
Pada penelitian ini, peneliti membatasi ruang lingkup penelitian ini
dengan mengkaji metode naïve bayes dan penggunaannya terhadap diagnosa
penyakit kulit yang terjadi di SMPIT AL BINAA IBS berdasarkan gejala-gejala
yang ditimbulkan dengan objek penelitian yang terdiri dari siswa, guru, dan
karyawan selama kurun waktu 2013-2015. Berdasarkan gejala-gejala penyakit
kulit tersebut, penyakit kulit akan dikategorikan menjadi 2 kategori, yaitu:
kategori penyakit kulit yang termasuk dermatitis dan kategori penyakit kulit yang
tidak termasuk dermatitis menggunakan metode naïve bayes.
1.6 Hipotesis
Hipotesis dari penelitian ini adalah sebagai berikut:
1. H0= Teknik klasifikasi data mining dengan menggunakan metode naïve
bayes tidak mempunyai akurasi yang tepat dalam memprediksi penyakit
kulit.
2. H1= Teknik klasifikasi data mining dengan menggunakan metode naïve
bayes mempunyai akurasi yang tepat dalam memprediksi penyakit kulit.
BAB II
LANDASAN TEORI
2.1. Tinjauan Pustaka
2.1.1. Penyakit Kulit
Penyakit kulit menurut Wijaya dkk (2015:13) “merupakan penyakit
yang sering ditemukan dalam praktik sehari-hari”. Penyakit ini, menyerang salah
satu organ tubuh, yaitu: kulit.
Ada beberapa faktor yang dapat menyebabkan seseorang terkena
penyakit kulit menurut Wijaya dkk (2015:3), yaitu:
1. Bakteri
Bakteri yang menyebabkan infeksi pada kulit manusia dapat berupa kuman
positif, seperti Staphylococcus sp., maupun kuman negative, seperti
Treponema pallidum (Wijaya dkk, 2015:1).
Pasien yang menderita penyakit ini akan menjelaskan keluhan dan kelainan
pada kulitnya (Wijaya dkk, 2015:1).
Salah satu ciri kelainan kulit yang disebabkan oleh bakteri adalah munculnya
abses atau bengkak (Wijaya dkk, 2015:3).
Oleh karena itu, seorang dokter akan memeriksa terlebih dahulu bagian-
bagian tubuh yang dikeluhkan oleh pasien tersebut. Setelah prosedur
pemeriksaan dilakukan oleh seorang dokter, maka seorang dokter akan
memberikan diagnosa (menentukan jenis penyakit berdasarkan gejala yang
timbul) kepada pasien beserta cara mengobatinya.
Contoh dari penyakit kulit yang termasuk golongan ini adalah furunkel atau
yang lebih dikenal dengan sebutan bisul (Wijaya dkk, 2015:22).
2. Jamur
Menurut Wijaya dkk (2015:51) “penyakit jamur pada kulit atau
dermatomikosis adalah penyakit pada kulit, kuku, rambut, dan mukosa
(lendir) yang disebabkan infeksi jamur”.
Beberapa jenis jamur dapat menyebabkan penyakit pada manusia, Seperti
Candida sp. (Wijaya dkk, 2015:51).
Infeksi jamur ini dapat menyebabkan kebotakan pada rambut dan dapat
menyebabkan perubahan warna kuku (Wijaya dkk, 2015:51).
3. Virus
Penyakit kulit dapat disebabkan oleh virus yang penyebarannya dapat melalui
udara, kontak langsung, ataupun dengan hubungan badan (Wijaya dkk,
2015:37).
Contoh penyakit kulit yang termasuk golongan ini adalah: Herpes simpleks
dan Herpes zoster (Wijaya dkk, 2015:42).
4. Parasit
Infeksi parasit pada manusia menurut Wijaya dkk (2015:63) “dapat
bermanifestasi di kulit, subkutan, dan mukosa”.
Infeksi parasit pada kulit manusia dapat menular kepada orang lain melalui
kontak kulit langsung, maupun dengan perantara sisir, bantal, dan kasur
(Wijaya dkk, 2015:63).
Contoh penyakit kulit yang termasuk golongan ini adalah: skabies, penyakit
ini disebabkan oleh Sarcoptes scabiei yang menyebabkan seseorang merasa
gatal pada sekujur tubuhnya, kecuali bagian muka (Wijaya dkk, 2015:63).
5. Penyakit Kulit Inflamatorik Non-Infeksi
Menurut Wijaya dkk (2015:71) “penyakit kulit inflamasi (peradangan) non-
infeksi disebabkan reaktivitas sel T, reaktivitas humoral, ataupun autoimun”.
Contoh dari penyakit kulit yang termasuk dalam golongan ini adalah:
dermatitis.
Dermatitis menurut Wijaya dkk (2015:71) adalah “peradangan kulit akut
maupun kronik yang secara umum ditandai dengan efloresensi polimorfik
(ruam yang beragam bentuk) dan keluhan gatal”. Maksudnya, dermatitis
merupakan penyakit kulit yang memiliki gejala munculnya ruam-ruam pada
bagian tubuh dalam bentuk yang beragam yang disertai dengan gatal-gatal
pada bagian tersebut.
6. Tumor Kulit.
Tumor kulit menurut Wijaya dkk (2015:89) adalah “suatu pertumbuhan
abnormal pada kulit yang dapat dikategorikan menjadi jinak atau ganas”.
Tumor jinak memiliki progresivitas yang rendah, tidak menyebar ataupun
merusak jaringan sekitarnya, seperti: kista (Wijaya dkk, 2015:89).
Sedangkan, tumor ganas ditandai dengan pertumbuhan sel-sel kulit yang tidak
terkendali, dapat merusak jaringan di sekitarnya, dan menyebar ke bagian
tubuh yang lain, seperti: kanker kulit (Wijaya dkk, 2015:89).
2.1.2. Populasi dan Sampel
Populasi menurut Sugiyono (2007:90) “adalah wilayah generalisasi
yang terdiri atas: obyek/subyek yang mempunyai kualitas dan karakteristik
tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik
kesimpulannya”.
Berdasarkan pengertian tersebut, maka populasi tidak hanya terbatas
pada makhluk hidup, melainkan obyek atau subyek yang berupa benda-benda mati
pun dapat dikategorikan sebagai sebuah populasi (Sugiyono, 2007:90).
Selain itu, populasi tidak hanya dilihat dari jumlah suatu obyek atau
subyek yang diamati, tapi populasi diamati juga berdasarkan karakteristik atau
sifat yang dimiliki oleh subyek atau obyek tersebut (Sugiyono, 2007:90).
Setelah menjelaskan teori tentang populasi, maka peneliti akan
menjelaskan teori tentang sampel.
Sampel menurut Sugiyono (2007:91) “adalah bagian dari jumlah dan
karakteristik yang dimiliki oleh populasi tersebut”.
Sampel diperlukan untuk mewakili populasi dengan jumlah yang besar
dan peneliti memiliki keterbatasan dana, tenaga, dan waktu. Sampel yang
dipelajari dan menghasilkan kesimpulan, maka kesimpulan tersebut akan berlaku
untuk populasi dari sampel tersebut (Sugiyono, 2007:91).
Pada penelitian ini, peneliti menggunakan teknik probability sampling
dengan metode simple random sampling untuk mendapatkan sampel dari populasi
yang ada.
Probability sampling menurut Sugiyono (2007:92) “adalah teknik
pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur
(anggota) populasi untuk dipilih menjadi anggota sampel”.
Sedangkan metode simple random sampling yang merupakan bagian
dari teknik probability sampling merupakan teknik pengambilan sampel secara
acak tanpa memperhatikan strata yang ada dalam populasi tersebut dan anggota
populasi dianggap homogen (Sugiyono, 2007:93).
Ukuran sampel yang akan diambil dari populasi didapat dengan
menerapkan rumus berikut menurut Isaac dan Michael dalam Sugiyono (2007:98):
S = ---------------------------------------
Dimana S merupakan jumlah sampel, kemudian λ2 dengan dk = 1
dengan taraf kesalahan bisa 1%, 5%, 10% dan seterusnya. Kemudian P = Q = 0,5
dan d = 0,05 (Sugiyono, 2007:98).
Pada penelitian ini, peneliti mendapatkan populasi data penyakit kulit
sebanyak 228 data. Populasi data tersebut akan diambil sampel berdasarkan rumus
tersebut dengan taraf kesalahan 1%.
Berdasarkan tabel yang telah dibuat oleh Sugiyono untuk menentukan
jumlah sampel dari populasi data tersebut, maka untuk mendapatkan taraf
kesalahan 1%, peneliti mengambil sampel sebesar 165 data (Sugiyono, 2007:99).
2.1.3. Data Mining
Data Mining mulai dikenal sejak tahun 1990 saat pekerjaan pada zaman
tersebut menuntut untuk memanfaatkan data pada berbagai sektor (Prasetyo,
2014:1).
Salah satu contoh pekerjaan yang memanfaatkan data adalah penawaran
kartu kredit, yang menuntut pihak bank untuk menawarkan kredit kepada
nasabahnya yang berjumlah banyak (Prasetyo, 2014:1).
Apabila bank menawarkan kepada 100.000 ribu nasabah dan hanya 50
orang saja yang tertarik untuk mengambil kredit tersebut, maka hal ini termasuk
dalam pemborosan yang dapat merugikan bank tersebut. Oleh karena itu, data
mining dibutuhkan untuk menghindari kerugian yang ditimbulkan pada masalah
tersebut (Prasetyo, 2014:1-2).
Menurut Kusrini dan Luthfi (2009:3) “data mining adalah suatu istilah
yang digunakan untuk menguraikan penemuan pengetahuan di dalam database”.
Sedangkan, menurut Larose dalam Kusrini dan Luthfi (2009:3) “data
mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan
teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan
visualisasi untuk penanganan permasalahan pengambilan informasi dari database
yang besar”.
Karena, data mining berkaitan dengan pengumpulan data dari database
yang besar, maka data mining juga dikenal dengan nama knowledge-discovery in
databases (KDD) (Widodo dkk, 2013:3).
Walaupun istilah KDD dan data mining sebenarnya memiliki konsep
yang berbeda, karena data mining merupakan salah satu tahapan dari keseluruhan
proses KDD (Kusrini dan Luthfi, 2009:6).
Berdasarkan definisi tersebut, data mining merupakan gabungan dari
beberapa bidang ilmu seperti yang digambarkan pada gambar di bawah ini:
Gambar II.1 Bidang Ilmu Data Mining (Kusrini dan Luthfi, 2009:6)
Pada gambar ini, ada 4 bidang ilmu yang menjadi akar dari data mining
menurut Kusrini dan Luthfi (2009:6), yaitu:
1. Statistik
Sebenarnya, ilmu statistik merupakan akar bidang ilmu dari data mining yang
paling tua, apabila statistik tidak ditemukan, maka data mining tidak akan
ditemukan juga (Prasetyo, 2014:2).
Hal ini disebabkan, data mining memiliki hubungan dengan pengolahan data
dalam jumlah yang banyak dan dapat diperlihatkan hasil pengolahan data
tersebut dalam bentuk yang mudah dipahami (Prasetyo, 2014:3).
Hal tersebut merupakan dasar dari ilmu statistik dalam mengolah data dan
menganalisanya yang lebih dikenal sebagai exploratory data analysis (EDA)
(Prasetyo, 2014:2).
2. Artificial Intelligent (AI) atau Kecerdasan Buatan
Teori yang dibangun untuk membuat suatu aplikasi berbasis AI, merupakan
teknik pengolahan informasi berdasarkan pada model penalaran manusia
(Prasetyo, 2014:3).
Hal ini bertujuan agar aplikasi yang berhubungan dengan komputer dapat
dibangun dengan kemampuan yang sama dengan kecerdasan manusia.
3. Pencarian Informasi
Hal ini bertujuan untuk mendapatkan data dan mengolah data tersebut untuk
mendapatkan pola tertentu yang menghasilkan suatu informasi yang
bermanfaat (Prasetyo, 2014:3).
Akan tetapi, harus dibedakan antara pencarian informasi yang termasuk data
mining dengan pencarian informasi yang tidak termasuk data mining
(Prasetyo, 2014:4).
Contoh pencarian informasi yang tidak termasuk data mining adalah
pencarian informasi tertentu via internet, karena pencarian informasi tersebut
tidak berdasarkan pengelompokkan dengan pola tertentu (Prasetyo, 2014:4).
Namun, apabila mengelompokkan informasi tertentu yang memiliki
kesamaan konteks pada hasil pencarian, maka pencarian informasi model ini
termasuk data mining, karena adanya pengelompokkan berdasarkan pola
tertentu (Prasetyo, 2014:4).
Oleh karena itu, tidak semua pencarian informasi termasuk dalam akar bidang
ilmu dari data mining.
4. Database atau Sistem Basis Data
Bidang ilmu ini merupakan bagian yang menyediakan informasi berupa data
yang akan digali menggunakan metode-metode tertentu (Prasetyo, 2014:3).
Manfaat data mining dapat kita temukan dalam kehidupan sehari-hari.
Salah satu contoh dari manfaat data mining adalah memprediksi penyakit dari
gejala-gejala yang ditimbulkan yang memudahkan petugas kesehatan dalam
menentukan penyakit serta pengobatan penyakit tersebut dengan benar dan tepat
(Prasetyo, 2014:4).
Data mining memiliki langkah proses dalam pelaksanaannya menurut
Gorunescu dalam Widodo dkk (2013:4), yaitu:
1. Eksplorasi Data.
Proses ini meliputi pembersihan data, integrasi data, seleksi data, dan
transformasi data (Meilani dan Susanti, 2014:2).
2. Membuat Model dan Pengujian Validitas Model.
Pada proses ini, akan dipilih model yang sesuai dengan data yang telah
dieksplorasi (Widodo dkk, 2013:4).
Pada proses ini pula, akan dilakukan proses mining yang merupakan proses
utama dalam menemukan informasi berharga dari informasi tersebut dan
dilakukan pula evaluasi pola untuk mengidentifikasi pola yang ditemukan
(Meilani dan Susanti, 2014:2).
3. Penerapan Model Dengan Data Baru.
Pada proses ini, model yang telah dibuat akan diuji dengan data baru (Widodo
dkk, 2013:4).
Kemudian, model yang telah diuji akan divisualisasikan untuk memperoleh
pengetahuan yang diperoleh pengguna (Meilani dan Susanti, 2014:2).
Setelah melakukan langkah-langkah proses pada data mining, maka
data mining dapat dibedakan menjadi 6 kelompok menurut Kusrini dan Luthfi
(2009:10) berdasarkan tugas yang dapat dilakukan, yaitu:
1. Deskripsi
Kelompok ini ditujukan agar pengguna data mining mudah dalam melihat
pola yang dihasilkan oleh sejumlah data yang ada (Widodo dkk, 2013:5).
Deskripsi dari pola tersebut akan menghasilkan suatu informasi yang
bermanfaat dan berguna bagi pengguna (Kusrini dan Luthfi, 2009:11).
Contoh dari kelompok ini adalah: melakukan pengelompokan gejala-gejala
dari suatu penyakit dan mengetahui pola-pola yang ditimbulkan untuk
menentukan jenis penyakit berdasarkan pola-pola tersebut (Widodo dkk,
2013:10).
2. Estimasi
Kelompok ini merupakan kelompok yang hampir sama dengan klasifikasi,
namun pada estimasi, variabel targetnya lebih ke arah numerik (Kusrini dan
Luthfi, 2009:10).
Contoh dari kelompok ini adalah: estimasi Indeks Prestasi Kumulatif (IPK)
mahasiswa program pasca sarjana dengan melihat IPK mahasiswa tersebut
pada saat mengikuti program sarjana (Kusrini dan Luthfi, 2009:11).
3. Prediksi
Kelompok ini hampir sama dengan kelompok klasifikasi, namun kelompok
ini lebih mengarah ke arah kategori dan dapat memprediksi nilai dari hasil
yang akan ada pada masa yang akan datang (Kusrini dan Luthfi, 2009:10-11).
Contoh dari kelompok ini adalah: prediksi harga beras dalam tiga bulan
kedepan (Kusrini dan Luthfi, 2009:11).
4. Klasifikasi
Kelompok ini memiliki komponen-komponen utama menurut Widodo dkk
(2013:5-6), yaitu:
a. Kelas
Merupakan variabel tidak bebas, misalnya: kelas loyalitas pelanggan
(Widodo dkk, 2013:5).
b. Prediktor
Merupakan variabel bebas dari model yang didasarkan dari karakteristik
atribut data yang dikelompokkan, misalnya: merokok atau tidak merokok
(Widodo dkk, 2013:5).
c. Set Data Pelatihan
Menurut Prasetyo (2014:7) set data merupakan “kumpulan data-data”.
Sedangkan set data pelatihan menurut Widodo dkk (2013:6) “merupakan
sekumpulan data lengkap yang berisi kelas dan prediktor untuk dilatih agar
model dapat mengelompokkan ke dalam kelas yang tepat”.
Contoh dari komponen ini adalah: grup pasien yang diuji terhadap
serangan jantung (Widodo dkk, 2013:6).
d. Set Data Uji
Komponen ini berisi data-data baru yang akan diuji oleh model, untuk
mengetahui akurasi dari model yang dibuat (Widodo dkk, 2013:6).
Contoh dari model atau metode yang telah dikembangkan untuk
menyelesaikan kasus klasifikasi adalah: pohon keputusan, pengklasifikasi
bayes atau naïve bayes, dan pengklasifikasi k-nearest neighbour (Widodo
dkk, 2013:7).
5. Pengklusteran
Menurut Kusrini dan Luthfi (2009:11) “pengklusteran merupakan
pengelompokan record, pengamatan, atau memperhatikan dan membentuk
kelas objek-objek yang memiliki kemiripan”.
Pada pengklusteran tidak ada variabel target dan melakukan pembagian
terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki
kemiripan antar record dalam kelompok tersebut (Kusrini dan Luthfi,
2009:12).
Contoh dari kelompok ini adalah: melakukan pemisahan terhadap perilaku
finansial antara sikap baik dengan sikap mencurigakan pada audit akuntansi
(Kusrini dan Luthfi, 2009:12).
6. Asosiasi
Menurut Kusrini dan Luthfi (2009:12) “asosiasi adalah menemukan atribut
yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut
analisis keranjang belanja”.
Contoh dari kelompok ini adalah: menemukan barang dalam supermarket
yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara
bersamaan (Kusrini dan Luthfi, 2009:12).
Setelah melaksanakan seluruh proses data mining, maka model tersebut
akan diuji kevalidannya dengan teknik k-fold cross-validation atau yang lebih
dikenal dengan validasi silang. Sebelum menggunakan teknik ini, data akan dibagi
menjadi 2 bagian, yaitu: data pelatihan dan data pengujian (Prasetyo, 2014:264).
Setelah dibagi 2, data tersebut akan diuji berdasarkan model yang telah
dibuat, setelah diuji, data pelatihan diubah menjadi data uji dan begitu pula data
pengujian akan menjadi data pelatihan pada uji kedua (Widodo dkk, 2013:143).
Pada pengujian ini, menurut Tan dalam Prasetyo (2014:264) “setiap
data akan berkesempatan satu kali menjadi data uji dan satu kali menjadi data
latih. Pendekatan seperti ini, lebih dikenal dengan two-fold cross-validation”.
2.1.4. Metode Naïve Bayes
Metode ini diperkenalkan oleh Thomas Bayes untuk memprediksi
kemungkinan yang akan terjadi di masa yang akan datang berdasarkan
pengalaman di masa lalu (Meiliani dan Susanti, 2014:3).
Metode ini menurut Kusrini dan Luthfi (2009:189) “adalah
pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas
keanggotaan suatu class”.
Metode ini menggunakan pendekatan statistik untuk mengenal pola-
pola yang ditimbulkan dari suatu data yang lebih dikenal dengan pattern
recognition (Santosa, 2007:77).
Bentuk umum dari naïve bayes atau yang lebih dikenal dengan teorema
bayes menurut Kusrini dan Luthfi (2009:189) adalah sebagai berikut:
Gambar II.2 Persamaan umum teorema bayes (Kusrini dan Luthfi,
2009:189)
Penjelasan dari teorema bayes ini menurut Kusrini dan Luthfi
(2009:189) adalah sebagai berikut:
1. X= Data dengan class yang belum diketahui
2. H= Hipotesis data X merupakan suatu class spesifik
3. P(H|X)= Kemungkinan hipotesis H berdasarkan kondisi X (Posterior
Probability)
4. P(H)= Kemungkinan hipotesis H (Prior Probability)
5. P(X|H)= Kemungkinan kondisi X berdasarkan kondisi hipotesis H
6. P(X)= Kemungkinan dari kondisi X
Teorema bayes dapat diterapkan dalam klasifikasi yang lebih dikenal
dengan naïve bayes classification dengan bentuk umum menurut Santosa
(2007:79) adalah:
Gambar II.3 Penerapan teorema bayes dalam klasifikasi (Santosa, 2007:79)
Apabila persamaan tersebut didasarkan pada asumsi penyederhanaan
bahwa nilai atribut secara kondisional saling bebas jika diberikan nilai output,
maka penerapan tersebut akan menjadi sebuah persamaan baru menurut Santosa
(2007:79), yaitu:
Gambar II.4 Persamaan yang dipakai dalam naïve bayes classification
(Santosa, 2007:80)
Dimana merupakan nilai output hasil klasifikasi naïve bayes
(Santosa, 2007:80).
2.1.5. Software Rapidminer
Salah satu tools atau alat yang digunakan untuk mengolah data adalah
software rapidminer.
Menurut Dewi (2013:1) rapidminer menyediakan prosedur data mining
dan machine learning.
Prosedur tersebut memudahkan pengguna untuk mendapatkan pola dari
suatu data dalam jumlah besar yang diproses menggunakan metode tertentu
(Dewi, 2013:1).
Rapidminer memiliki beberapa fungsi menu menurut Dewi (2013:1),
yaitu:
1. Process Control
Fungsi ini digunakan untuk mengontrol aliran proses, seperti: looping.
2. Utility
Fungsi ini digunakan untuk mengumpulkan subprocess.
3. Repository Access
Fungsi ini digunakan untuk membaca dan menulis repository.
4. Import
Fungsi ini digunakan untuk membaca dari berbagai format eksternal.
5. Export
Fungsi ini digunakan untuk menulis data ke berbagai format eksternal.
6. Data Transformation
Fungsi ini digunakan untuk mentransformasi data.
7. Modelling
Fungsi ini digunakan untuk proses data mining, sepert: klasifikasi.
8. Evaluation
Fungsi ini digunakan untuk menghitung kualitas dari suatu model.
2.2. Penelitian Terkait
Pada penelitian ini, peneliti mengutip beberapa penelitian terdahulu
yang terkait dengan pembahasan penelitian ini, yaitu:
1. Menurut Azizah (2014:147) ”Tingginya frekuensi penyakit kulit infeksi di
SBD (Sumba Barat Daya) mencerminkan rendahnya tingkat sanitasi dan
pendidikan masyarakat”.
Oleh sebab itu, menurut Azizah (2014:147) ”Perlu dilakukan edukasi
terhadap masyarakat mengenai kebersihan dan hubungannya dengan
pencegahan penyakit infeksi, khususnya infeksi kulit”.
2. Menurut Nirmawati dalam Kurniawan dan Ramadhan (2012:30) ”Penelitian
yang dilakukan pada 4 pesantren di Kota Bandung didapatkan sebanyak
10,3% santri menderita scabies”.
Selain itu menurut Kurniawan dan Ramadhan (2012:30) ”Didapatkan sekitar
64,2% santri di pondok pesantren Kabupaten Lamongan yang menderita
scabies”.
Menurut Kurniawan dan Ramadhan (2012:30) ”berdasarkan data Departemen
Kesahatan RI prevalensi scabies di puskesmas seluruh Indonesia pada tahun
1986 adalah 4,6%-12,95% dan penyakit ini menduduki urutan ketiga dari 12
penyakit terbanyak”.
Berdasarkan data-data tersebut, menurut Kurniawan dan Ramadhan
(2012:30)”penyakit kulit masih merupakan masalah kesehatan masyarakat”.
3. Menurut Meilani dan Susanti (2014:1) ”data mining merupakan cara untuk
menemukan informasi dengan mencari pola atau aturan tertentu dari data
dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut”.
Salah satu algoritma yang digunakan untuk memproses data mining menurut
Meilani dan Susanti (2014:1) ”adalah algoritma naïve bayes”.
Menurut Meilani dan Susanti (2014:1) ”Proses pada aplikasi ini ada 2 macam,
yaitu: proses analisa pola data yang telah ada sebelumnya berdasarkan
atribut-atribut yang diujikan dan proses dari analisa pola data baru yang
diujikan berdasarkan pola data yang telah ada”.
2.3. Tinjauan Organisasi atau Objek Penelitian
2.3.1. Sejarah Organisasi
SMPIT AL BINAA IBS adalah sebuah sekolah menengah pertama atau
yang disingkat dengan SMP yang berbasis islam terpadu yang bernama SMPIT
AL BINAA Islamic Boarding School (IBS). Sekolah ini merupakan sebuah
pesantren yang terletak di Kabupaten Bekasi, Jawa Barat.
SMPIT AL BINAA IBS didirikan oleh sebuah yayasan yang bernama
Yayasan Binaaul Ukhuwwah yang melihat pendidikan sebagai sarana untuk
membentuk masyarakat yang cerdas secara intelektual dan unggul dalam ilmu
agama. Nama SMPIT AL BINAA IBS sendiri diambil dari kependekan nama
yayasan tersebut. Sekolah ini dibangun di atas tanah seluas 6 hektar yang
diwakafkan oleh Almarhum Bapak Haji Muhammad Yasin. Setelah seluruh
bangunan sekolah dan kelengkapannya selesai dibangun, maka pihak yayasan
membuat acara peresmian SMPIT AL BINAA IBS yang dihadiri dan diresmikan
secara langsung oleh Wakil Presiden Indonesia saat itu, yaitu: Bapak DR. H.
Hamzah Haz pada tanggal 5 Jumadil Ula 1425 H yang bertepatan dengan 23 Juni
2004 M dengan motto: “Membina Iman, Ilmu, dan Akhlak”. SMPIT AL BINAA
IBS dibuat dan dikemas dalam bentuk boarding school atau yang dikenal dengan
pesantren dengan pertimbangan bahwa siswa akan mempelajari 2 kurikulum
sekaligus, yaitu: kurikulum DIKNAS atau KTSP saat ini dan kurikulum Ma’had
AL BINAA (inti pesantren). Hal ini akan sulit terwujud apabila sekolah tidak
menerapkan sistem berasrama.
Ada 3 tujuan mendasar dari didirikannya SMPIT AL BINAA IBS,
yaitu:
1. Terwujudnya lembaga pendidikan islam yang bersumber pada Al Qur’an dan
As Sunnah.
2. Terbinanya aktifitas dan kegiatan pendidikan yang secara terencana, sistematis,
dan berkesinambungan untuk melahirkan anak yang shalih dan shalihah
sebagai pewaris Nabi.
3. Membina peserta didik agar selalu menghadirkan nilai iman dalam setiap
aktifitasnya, istiqomah dalam kebenaran, gemar dan disiplin dalam beribadah,
ikhlas dan selalu bersyukur, memiliki daya juang dan daya kreasi yang tinggi,
inovatif, kritis dan penuh inisiatif.
2.3.2. Visi dan Misi
Visi SMPIT AL BINAA IBS adalah: ”Menuju Generasi Yang Shalih
Dalam Bingkai Tauhidullah”.
Untuk mencapai visi tersebut, dibutuhkan misi untuk menentukan
langkah-langkah yang harus diambil agar visi tersebut dapat terwujud, yaitu:
1. Menjadikan SMPIT AL BINAA IBS sebagai gerbang iman dan intelektual.
2. Menjadikan SMPIT AL BINAA IBS sebagai gerbang penerus dan penerjemah
nilai-nilai islam.
3. Menjadikan SMPIT AL BINAA IBS sebagai lembaga pendidikan yang
memelihara nilai islam berdasarkan Al Qur’an dan As Sunnah.
4. Menjadikan SMPIT AL BINAA IBS sebagai lembaga pendidikan islam yang
profesional berfokus pada pembinaan aqidah, akhlaq, dan ibadah sesuai dengan
Sunnah Rasulullah.
2.3.3. Struktur Organisasi
Struktur Organisasi SMPIT AL BINAA IBS adalah sebagai berikut:
Setiap jabatan dari struktur organisasi tersebut memiliki fungsi masing-
masing, yaitu:
1. Pimpinan Pesantren
Merupakan pimpinan yayasan yang berfungsi mengontrol sistem yang berjalan
pada yayasan tersebut dan mengevaluasi kinerja sistem yayasan yang telah
dijalankan. Saat ini pimpinan pesantren di SMPIT AL BINAA IBS adalah:
Ustadz Aslam Muhsin Abidin, Lc.
2. Komite Sekolah
Komite sekolah atau yang disebut dengan forum orang tua pada SMPIT AL
BINAA IBS berfungsi sebagai pengawas seluruh program yang
diselenggarakan oleh SMPIT AL BINAA IBS. Saat ini ketua komite sekolah
SMPIT AL BINAA IBS adalah: Bapak Herman Kadir.
3. Kepala Sekolah
Kepala sekolah merupakan jabatan yang mengatur tugas pokok SMPIT AL
BINAA IBS dan menjalankan fungsi sistem yang diterapkan di SMPIT AL
Gambar II.5 Struktur Organisasi SMPIT AL BINAA IBS
BINAA IBS. Saat ini kepala sekolah SMPIT AL BINAA IBS dijabat oleh
Ustadz Hasyim, S.Pd.
4. Bagian Kesehatan
Bagian kesehatan adalah bagian yang mengawasi dan memberikan penyuluhan
kesehatan bagi para siswa atau santri, para guru, dan para karyawan yang
berada di lingkungan SMPIT AL BINAA IBS. Saat ini bagian kesehatan
diketuai oleh Bapak Ade Darsono.
5. PKS Kesiswaan
Pembantu kepala sekolah atau yang disingkat dengan PKS bagian kesiswaan
berperan dalam mengawasi perkembangan siswa dan bertanggung jawab dalam
menyelenggarakan kegiatan-kegiatan yang berhubungan dengan siswa atau
santri. Saat ini PKS Kesiswaan dijabat oleh Ustadz Ishak Sopanudin, S.Ag.
6. PKS Kurikulum
PKS bagian kurikulum berfungsi sebagai pengembang proses belajar mengajar
dan bertanggung jawab dalam perkembangan kurikulum, baik kurikulum
KTSP maupun kurikulum inti pesantren. Saat ini PKS Kurikulum dipegang
oleh Ustadz Indra Gunawan, S.Pd.
7. PKS Ekstrakurikuler
PKS Ekstrakurikuler berfungsi sebagai penyelenggara kegiatan penunjang
kreatifitas dan berperan dalam menyalurkan bakat siswa atau santri, baik di
bidang olahraga, komputer, dan ilmu agama. Saat ini PKS Ekstrakurikuler
dijabat oleh Ustadz Yudi Firmansah, S.Pd.
8. Dewan Guru
Dewan guru merupakan pelaksana amanat tugas untuk mengajarkan siswa atau
santri di setiap pelajaran pada bidangnya. Setiap guru, mempunyai spesialisasi
di bidangnya, baik ilmu agama maupun ilmu umum. Saat ini jumlah guru di
SMPIT AL BINAA IBS mencapai 88 orang.
9. Siswa atau Santri
Siswa atau santri merupakan objek pembelajaran dan pengembangan kreatifitas
dan bakat yang dimiliki oleh setiap individu. Setiap siswa berhak mendapatkan
pengajaran yang berkualitas dengan pengembangan bakat yang mumpuni. Saat
ini jumlah siswa atau santri SMPIT AL BINAA IBS mencapai kurang lebih
540 siswa.
2.3.4. Objek Penelitian
SMPIT AL BINAA IBS memiliki kurang lebih 180 siswa atau santri
pada setiap angkatan dan memiliki 3 angkatan dari 3 jenjang kelas, yaitu: kelas 7,
kelas 8, dan kelas 9. Sehingga, total santri saat ini kurang lebih ada 540 santri
yang mengikuti kegiatan belajar mengajar (KBM) di SMPIT AL BINAA IBS.
Seluruh siswa atau santri pada SMPIT AL BINAA IBS berjenis kelamin laki-laki.
Hal ini disebabkan pesantren ini memiliki aturan bahwa hanya santri putra atau
yang berjenis kelamin laki-laki yang boleh mengikuti KBM di SMPIT AL
BINAA IBS. Begitu pula dengan karyawan dan guru yang bekerja di SMPIT AL
BINAA IBS seluruhnya berjenis kelamin laki-laki yang berjumlah sekitar 88
orang.
Pada penelitian ini, peneliti mewawancarai Bapak Ade Darsono yang
biasa dipanggil Bapak Ade selaku petugas kesehatan di SMPIT ALBINAA IBS
untuk mendapatkan informasi tentang kejadian penyakit kulit yang terjadi di
SMPIT AL BINAA IBS, dengan model wawancara bebas terpimpin.
Pada wawancara tersebut, Bapak Ade menjelaskan bahwa kejadian
penyakit kulit tidak hanya terjadi di kalangan siswa atau santri, melainkan terjadi
pula pada karyawan dan guru SMPIT AL BINAA IBS. Hal ini disebabkan tempat
tinggal dan tempat bekerja karyawan dan guru letaknya berdekatan dengan tempat
tinggal dan tempat belajar para siswa atau santri.
Berdasarkan informasi yang peneliti dapat dari dokumentasi arsip
rekam medik petugas kesehatan SMPIT AL BINAA IBS, terdapat 228 data yang
merupakan populasi data kejadian penyakit kulit dari jumlah keseluruhan keluarga
besar SMPIT AL BINAA IBS yang berjumlah sekitar 628 orang yang dijadikan
objek penelitian. Hal ini menurut Bapak Ade, disebabkan karena faktor sanitasi
atau kebersihan yang kurang diperhatikan, air yang digunakan di SMPIT AL
BINAA IBS memiliki kualitas yang kurang baik dikarenakan lokasi SMPIT AL
BINAA IBS berada di daerah persawahan yang menurut Bapak Ade memiliki
kualitas yang rendah, faktor cuaca yang menyebabkan kelembapan yang tinggi
yang memudahkan penyebaran penyakit kulit terutama di saat musim penghujan,
dan kebiasaan para santri, para karyawan, dan juga para guru yang kurang
memperhatikan kebersihan dari lingkungan sekitar.
BAB III
METODOLOGI PENELITIAN
3.1. Tahapan Penelitian
Pada penelitian ini, peneliti membuat tahapan-tahapan penelitian
sebagai berikut:
1. Pengajuan Surat Riset
Pada bulan Juli 2015, peneliti mengajukan surat riset yang dibuat oleh pihak
kampus STMIK Nusa Mandiri kepada kepala sekolah SMPIT AL BINAA
IBS, yaitu: Bapak Hasyim, S.Pd. Bapak Hasyim selaku kepala sekolah
SMPIT AL BINAA IBS, menerima surat riset peneliti pada tanggal 2 Agustus
2015 dan mengizinkan peneliti untuk memulai penelitian di SMPIT AL
BINAA IBS. Peneliti melakukan penelitian ini sampai dengan tanggal 16
Agustus 2015.
2. Observasi
Setelah mendapatkan izin untuk memulai penelitian, peneliti melakukan
pengamatan langsung di lapangan terhadap kejadian penyakit kulit di SMPIT
AL BINAA IBS. Peneliti melampirkan catatan anekdot yang berkaitan
dengan observasi yang telah dilakukan peneliti di SMPIT AL BINAA IBS
pada lampiran C.1. Observasi dilakukan oleh peneliti untuk melihat secara
langsung objek penelitian, yaitu: pasien penderita penyakit kulit,
mendapatkan keterangan dari pasien tersebut tentang gejala-gejala yang
dirasakan saat menderita penyakit kulit, dan mengamati faktor-faktor yang
menyebabkan terjadinya penyakit kulit.
3. Wawancara
Setelah melakukan observasi, peneliti melakukan wawancara bebas terpimpin
dengan responden adalah Petugas Kesehatan SMPIT AL BINAA IBS, yaitu:
Bapak Ade yang dilaksanakan pada 5 Agustus 2015. Wawancara ini
dilakukan oleh peneliti untuk mendapatkan keterangan tentang kejadian
penyakit kulit di SMPIT AL BINAA IBS, mendapatkan informasi tentang
waktu terbanyak pasien dengan keluhan penyakit kulit, mendapatkan
informasi tentang faktor-faktor yang dapat menyebabkan penyakit kulit, dan
mendapatkan informasi tentang gejala-gejala yang berkaitan dengan penyakit
kulit. Hasil wawancara dilampirkan di lampiran C.2.
4. Pengumpulan Data
Setelah melakukan wawancara, peneliti meminta kesedian Bapak Ade untuk
menunjukkan arsip atau dokumen yang berkaitan dengan data rekam medis
yang telah diarsipkan oleh Bapak Ade. Setelah Bapak Ade bersedia dan
memberikan arsip data rekam medis dari tahun 2013 hingga tahun 2015
kepada peneliti, peneliti melakukan dokumentasi terhadap data rekam medis
tersebut.
5. Eksplorasi Data
Pada tahap ini, peneliti melakukan pembersihan data rekam medis tersebut
terlebih dahulu. Hal ini dilakukan untuk memisahkan data yang telah terekam
dengan baik dengan data yang tidak terekam baik pada data rekam medis
tersebut. Kemudian, peneliti memisahkan data yang berkaitan dengan
penyakit kulit dengan data yang tidak berkaitan dengan penyakit kulit.
Kemudian, peneliti melakukan pemilihan data yang berkaitan dengan
penelitian ini, yaitu: memilih jenis penyakit yang berkaitan dengan penyakit
kulit. Setelah memilih data, peneliti melakukan transformasi data dengan
mengubah data rekam medis tersebut yang ditulis tangan menjadi data rekam
medis yang dibuat dalam bentuk tabel dengan menggunakan software Ms.
Excel. Setelah tabel data rekam medis dibuat, peneliti memasukkan data-data
rekam medis tersebut ke dalam masing-masing kolom. Kemudian, peneliti
mengurangi atribut gejala berdasarkan data-data rekam medis tersebut dan
hasil observasi dan wawancara dengan petugas kesehatan menjadi 6 atribut,
yaitu: atribut kulit kemerahan, atribut vesikel atau bintik, atribut gatal, atribut
luka, atribut panas, dan atribut infeksi. Kemudian, peneliti mengubah data
pada atribut gejala pada rekam medis yang bertuliskan gejala-gejala dari
penyakit tersebut menjadi bilangan biner yang ditempatkan pada kolom-
kolom yang menunjukkan gejala tersebut, seperti: kolom kulit kemerahan
diberi nilai 1 bila data tersebut menunjukkan pada gejala tersebut dan diberi
nilai 0 bila data tersebut tidak menunjukkan pada gejala tersebut. Setelah itu,
peneliti melakukan hal yang sama terhadap data rekam medis yang lain
hingga terkumpul sebanyak 228 data rekam medis yang berkaitan dengan
penyakit kulit. Dari 228 data tersebut, peneliti menggunakan teknik simple
random sampling untuk mengambil sebanyak 165 data yang akan dijadikan
set data pelatihan untuk penghitungan metode naïve bayes secara manual.
Karena seluruh data bersifat homogen, maka akan diambil 165 data teratas
untuk dijadikan set data pelatihan. Kemudian, peneliti akan mengambil 1 set
data, yaitu: data ke-166 untuk dijadikan data set pengujian dari penghitungan
metode naïve bayes secara manual.
6. Membuat Model
Setelah mengeksplorasi data, peneliti menentukan model dari model-model
yang telah dikembangkan untuk melakukan pengklasifikasian penyakit kulit
berdasarkan data rekam medis yang telah didapat.
Salah satu model yang telah dikembangkan oleh para peneliti untuk
menyelesaikan masalah klasifikasi adalah model atau metode naïve bayes.
Model naïve bayes dipilih karena model tersebut dapat digunakan untuk
memprediksi kemungkinan suatu data masuk dalam kelas tertentu
berdasarkan data-data sebelumnya.
Oleh karena itu, peneliti menentukan model naïve bayes yang akan digunakan
untuk mengklasifikasi penyakit kulit berdasarkan data rekam medis yang
diarsipkan oleh petugas kesehatan SMPIT AL BINAA IBS.
7. Pengujian Validitas Model
Setelah menentukan model naïve bayes sebagai model yang akan digunakan
pada penelitian ini, peneliti menguji validitas model tersebut dengan
menggunakan teknik validasi silang atau cross-validation dengan bantuan
software rapidminer 5.3.
Tujuan dari validasi silang adalah adalah memberikan kesempatan bagi set
data pelatihan menjadi set data pengujian dan memberikan kesempatan pula
bagi set data pengujian menjadi set data pelatihan agar dihasilkan model yang
valid berdasarkan data rekam medis tersebut.
8. Analisis Hasil
Setelah melakukan proses pembuatan model dan pengujian validitas model,
maka peneliti akan menganalisa hasil yang dihasilkan pada perhitungan
manual untuk memastikan kevalidan data yang dihasilkan dari model
tersebut. Kemudian, peneliti akan menganalisa hasil yang dihasilkan dari
proses komputasi software rapidminer 5.3 dalam memproses model naïve
bayes beserta akurasi yang dihasilkan dari model tersebut.
9. Kesimpulan
Pada tahap ini, peneliti akan menarik kesimpulan dari hasil yang dihasilkan
oleh penerapan model naïve bayes secara manual maupun penerapan model
naïve bayes secara komputasi dengan bantuan tools software rapidminer.
Kemudian, penulis akan menentukan hipotesa yang valid dari 2 hipotesa yang
telah dibuat berdasarkan hasil yang dihasilkan oleh penerapan model naïve
bayes, baik secara manual maupun secara komputasi.
3.2. Instrument Penelitian
Pada penelitian ini, peneliti menggunakan instrumen penelitian yang
dijelaskan sebagai berikut:
1. Instrumen Pedoman Observasi
Pada metode ini, peneliti menggunakan instrumen pedoman observasi berupa
catatan anekdot yang dilampirkan pada lampiran C.1. Instrumen ini dibuat
dengan mencatat segala informasi dan kejadian yang berkaitan dengan
penelitian ini. Catatan anekdot tersebut berupa daftar catatan observasi yang
dilakukan oleh peneliti selama melakukan riset di SMPIT AL BINAA IBS.
Daftar catatan tersebut dibuat oleh peneliti sebanyak 4 buah catatan observasi.
2. Instrumen Pedoman Wawancara
Pada metode ini, peneliti menggunakan instrumen pedoman wawancara yang
dilampirkan pada lampiran C.2. Instrumen pedoman wawancara ini dibuat
dalam bentuk daftar pertanyaan. Peneliti membuat 3 pertanyaan yang dijawab
langsung oleh responden, yaitu: Bapak Ade pada masing-masing pertanyaan.
Seluruh pertanyaan tersebut diajukan untuk mendapatkan informasi langsung
dari tenaga ahli yang menangani penyakit kulit pada penelitian ini.
3. Instrumen Arsip dan Studi Pustaka
Pada metode ini, peneliti menggunakan instrumen arsip data rekam medik
dari tahun 2013 sampai tahun 2015 yang diarsipkan oleh Bapak Ade selaku
petugas kesehatan SMPIT AL BINAA IBS. Peneliti juga menggunakan
instrumen studi pustaka terhadap buku-buku dan jurnal-jurnal yang berkaitan
dengan penelitian ini.
3.3. Metode Pengumpulan Data, Populasi, dan Sampel Penelitian
Pada penelitian ini, peneliti menggunakan 3 metode pengumpulan data
untuk menunjang penelitian ini, yaitu:
1. Observasi atau Pengamatan Langsung
Metode ini dimulai oleh peneliti pada 2 Agustus 2015 setelah mendapatkan
izin dari kepala sekolah SMPIT AL BINAA IBS, yaitu: Bapak Hasyim, S.Pd.
Metode ini dilaksanakan oleh peneliti selama 3 hari yang dimulai pada 2
Agustus 2015 sampai 4 Agustus 2015. Pada observasi di SMPIT AL BINAA
IBS, peneliti mencatat 4 catatan observasi yang berkaitan dengan penelitian
ini yang dilampirkan pada lampiran C.1. Catatan tersebut berkaitan dengan
objek penelitian dan kejadian penyakit kulit yang terjadi di SMPIT AL
BINAA IBS. Metode ini digunakan peneliti ketika Bapak Ade menangani
langsung pasien penderita penyakit kulit dan menunjukkan gejala-gejala yang
timbul pada salah satu bagian tubuh pasien penderita penyakit kulit tersebut.
Gejala umum yang ditimbulkan oleh penyakit kulit, terutama dermatitis
berdasarkan observasi yang dilakukan, yaitu: kulit yang berwarna kemerahan
dan rasa gatal pada bagian yang terkena penyakit kulit tersebut.
2. Wawancara
Metode ini dilakukan oleh peneliti pada 5 Agustus 2015 yang bertempat di
unit kesehatan siswa atau UKS SMPIT AL BINAA IBS. Wawancara ini
berlangsung dengan metode tanya jawab dengan 3 pertanyaan yang diajukan
untuk dijawab oleh responden. Responden pada penelitian ini adalah: Bapak
Ade selaku petugas kesehatan di SMPIT AL BINAA IBS.
3. Dokumentasi
Metode ini dilakukan oleh peneliti untuk mendapatkan arsip data rekam
medik yang telah disimpan oleh Bapak Ade selaku petugas kesehatan di
SMPIT AL BINAA IBS. Setelah mendapatkan arsip data rekam medik
tersebut, peneliti mempelajari buku-buku yang menunjang penelitian ini, baik
buku penunjang tentang penyakit kulit maupun buku penunjang tentang data
mining.
Populasi dari penelitian ini adalah seluruh keluarga besar SMPIT AL
BINAA IBS yang berjumlah 628 orang. Kemudian, peneliti mempelajari arsip
data rekam medik petugas kesehatan di SMPIT AL BINAA IBS untuk mengambil
data rekam medik yang berkaitan dengan penyakit kulit. Setelah mempelajari data
rekam medik tersebut, peneliti memisahkan data yang memiliki diagnosa penyakit
kulit dengan data yang memiliki diagnosa selain penyakit kulit. Pada proses
pemisahan data ini, peneliti menemukan 228 data yang memiliki diagnosa
penyakit kulit yang merupakan populasi data penyakit kulit. Kemudian, peneliti
mengambil 165 data dari populasi data tersebut untuk dijadikan sampel set data
pelatihan dan 1 set data untuk dijadikan sampel set data pengujian pada
penghitungan metode naïve bayes secara manual. Untuk penghitungan metode
naïve bayes menggunakan software rapidminer, maka peneliti menggunakan
seluruh populasi data penyakit tersebut untuk diolah dan diproses menggunakan
metode naïve bayes.
3.4. Metode Analisis Data
Pada penelitian ini, peneliti menggunakan arsip data rekam medik dari
tahun 2013 sampai dengan tahun 2015 yang diarsipkan oleh petugas kesehatan di
SMPIT AL BINAA IBS, yaitu: Bapak Ade untuk dilakukan klasifikasi
berdasarkan metode naïve bayes. Arsip data rekam medik tersebut dapat dilihat
pada gambar berikut ini:
Gambar IIIII.1 Arsip Data Rekam Medik Asli
Arsip data rekam medik tersebut masih berupa catatan tangan atau
manual, sehingga peneliti menulis ulang 228 data yang berkaitan dengan penyakit
kulit dari arsip data rekam medik tersebut dalam bentuk tabel dengan bantuan
software Ms. Excel, setelah melakukan proses eksplorasi data. Pada penulisan
ulang 228 data tersebut, peneliti mengubah tulisan gejala pada arsip data rekam
medik asli menjadi kolom-kolom gejala yang telah ditentukan berdasarkan
observasi, wawancara dengan petugas kesehatan, dan dokumentasi arsip data
rekam medik tersebut yang merupakan gejala-gejala umum yang dapat
menyebabkan penyakit kulit. Kolom-kolom gejala tersebut adalah: Kolom kulit
kemerahan, kolom vesikel (bintik-bintik), kolom gatal, kolom luka, kolom panas,
dan kolom infeksi. Kolom-kolom gejala tersebut merupakan atribut-atribut yang
akan digunakan dalam proses data mining. Hasil dari penulisan ulang seperti
yang diperlihatkan oleh gambar berikut:
Gambar IVI.2 Data Primer Arsip Data Rekam Medik Setelah
Penulisan Ulang
Seluruh data primer arsip data rekam medik tersebut, dilampirkan pada
lampiran A.1. Setelah melakukan penulisan ulang, peneliti mengambil sampel
sebanyak 165 data dari total keseluruhan populasi data pada arsip data rekam
medik tersebut yang berjumlah 228 data. Sampel yang akan diambil adalah 165
data teratas yang terdapat pada data primer hasil penulisan ulang yang
dilampirkan pada lampiran A.2.
Setelah melakukan pengambilan sampel data, peneliti mengambil 1 data
yang akan dijadikan set data pengujian untuk menguji model yang telah terbentuk.
1 set data pengujian tersebut diambil dari data primer arsip data rekam medik
tersebut dengan nomor data 166 yang diperlihatkan pada gambar berikut ini:
Gambar III.3 Sampel Data Pengujian Nomor Data 166
Sampel data pengujian dengan nomor data 166 dipilih untuk menguji
kelas yang menunjukkan bahwa gejala-gejala tersebut merupakan gejala penyakit
kulit yang termasuk dermatitis.
Setelah melakukan pengambilan sampel, sampel data pelatihan akan
dilakukan proses data mining dengan metode naïve bayes berdasarkan 1 set data
pengujian secara manual dengan menggunakan persamaan naïve bayes classifier,
yaitu:
Dimana merupakan nilai output hasil klasifikasi naïve bayes yang
berasal dari perhitungan prior probability dengan suatu probabilitas yang
berdasarkan pada kondisi suatu hipotesa.
Setelah proses data mining secara manual telah dilaksanakan, maka
peneliti menggunakan tools berupa software untuk mendapatkan perbandingan
antara data yang dihasilkan oleh perhitungan data mining dengan metode naïve
bayes secara manual dengan data yang dihasilkan oleh perhitungan data mining
dengan metode naïve bayes secara komputerisasi atau komputasi. Tools yang akan
digunakan adalah Software rapidminer 5.3 yang memiliki halaman depan
sebagaimana diperlihatkan oleh gambar berikut:
Gambar III.4 Halaman Depan Software Rapidminer 5.3
Kemudian, peneliti akan mengimpor data primer arsip rekam medik
yang telah ditulis ulang untuk diproses oleh software rapidminer. Sebelum
melakukan proses impor data, peneliti akan mengubah atribut-atribut yang telah
ditulis ulang menjadi bentuk yang dapat diproses oleh software rapidminer.
Kolom nama, kolom umur, dan kolom diagnosa akan dihapus pada proses
pengubahan atribut-atribut ini. Kemudian, kolom class_dermatitis akan diubah
menjadi bentuk huruf, yaitu: Y dan N. Y mewakili kelas penyakit kulit yang
termasuk dermatitis, sedangkan N mewakili kelas penyakit kulit yang tidak
termasuk dermatitis. Hasil dari proses ini digambarkan oleh gambar berikut:
Gambar III.5 Gambar 25 Data Teratas Setelah Pengubahan Atribut
Peneliti memberikan gambar 25 data teratas yang akan diproses dengan
menggunakan metode naïve bayes dengan tools software rapidminer 5.3.
Kemudian seluruh data yang telah diubah atributnya dilampirkan pada lampiran
A.3.
Setelah melakukan perubahan atribut, peneliti mengimpor data dari
software Ms. Excel pada software rapidminer 5.3, sebagaimana yang
diperlihatkan oleh gambar berikut:
Gambar III.6 Proses Impor Data Excel pada Rapidminer 5.3
Peneliti memilih impor data excel sheet karena penulisan ulang arsip
data rekam medik menggunakan software Ms. Excel. Kemudian, software
rapidminer ini akan menunjukkan kepada anda data yang mana yang akan
diimpor sebagaimana yang diperlihatkan oleh gambar berikut:
Gambar III.7 Proses Pemilihan Data Excel
Pada proses ini, peneliti memilih untuk menggunakan data sekunder,
yaitu: data yang telah diubah atribut-atributnya yang berasal dari data primer yang
ditulis ulang dari arsip data rekam medik tersebut. Setelah melakukan pemilihan
terhadap data yang akan diproses oleh software rapidminer, maka peneliti
memasuki tahap pembacaan data yang telah diimpor oleh software rapidminer
sebagaimana yang diperlihatkan oleh gambar berikut:
Pada tahap pembacaan data oleh software rapidminer, data yang berupa
bilangan, akan diberi angka tambahan dibelakang bilangan tersebut secara
otomatis berupa titik dan angka 0, hal ini untuk memastikan bahwa bilangan
tersebut bukanlah bilangan desimal. Setelah melakukan pembacaan data, software
rapidminer akan menanyakan kepada pengguna untuk menentukan data-data yang
Gambar III.8 Pembacaan Data Oleh Software Rapidminer
akan dijadikan atribut dan data-data yang akan dijadikan label sebagai patokan
hasil akhir seperti yang diperlihatkan oleh gambar berikut ini:
Setelah data-data yang telah diimpor tersebut diberikan label, maka
peneliti memasuki tahap penyimpanan data yang telah diimpor di tempat yang
telah ditentukan oleh software rapidminer, yaitu: Local Repository seperti yang
diperlihatkan oleh gambar berikut ini:
Gambar III.9 Pemberian Label dan Atribut Pada Software Rapidminer
Setelah data impor ditempatkan di Local Repository, maka peneliti akan
menerapkan data impor tersebut dengan metode naïve bayes. Sebelum penerapan
data impor tersebut dengan metode naïve bayes, peneliti membuat tabel relasi
gejala dan penyakit untuk menelusuri gejala-gejala yang berkaitan dengan
penyakit kulit yang termasuk dermatitis dan menelusuri gejala-gejala yang
berkaitan dengan penyakit kulit yang tidak termasuk dermatitis. Peneliti memberi
angka 1 apabila gejala tersebut merupakan gejala dari penyakit tersebut dan
memberi angka 0 apabila gejala tersebut bukan merupakan gejala dari penyakit
tersebut. Tabel tersebut digambarkan sebagai berikut:
Tabel III.1 Tabel Relasi Gejala dan Penyakit
Gejala Dermatitis Non-Dermatitis
Kulit Kemerahan 1 0
Vesikel (Bintik-Bintik) 0 1
Gatal 1 1
Luka 0 1
Panas 0 1
Gambar III.10 Penempatan Data yang Telah Diimpor
Infeksi 0 1
Tabel ini dibuat berdasarkan observasi di SMPIT AL BINAA IBS,
wawancara dengan petugas kesehatan di SMPIT AL BINAA IBS, dan
dokumentasi dari arsip data rekam medik petugas kesehatan di SMPIT AL
BINAA IBS.
Setelah tabel relasi gejala dan penyakit dibuat, maka peneliti akan
memproses data yang telah diimpor oleh software rapidminer dengan
menggunakan metode naïve bayes. Tools metode naïve bayes pada software
rapidminer digambarkan sebagai berikut:
Setelah tools metode naïve bayes dibuat, maka data yang telah diimpor
tersebut disambungkan dengan metode naïve bayes tersebut. Setelah
disambungkan, peneliti akan menyambungkan juga data yang telah disambung
dengan metode naïve bayes tersebut dengan tools pengukur tingkat akurasi dari
model naïve bayes yang diberi nama oleh software rapidminer sebagai: apply
model and performance yang digambarkan oleh gambar berikut:
Setelah menyambungkan data yang telah diimpor dengan tools metode
naïve bayes beserta tools pengukur akurasinya, maka software rapidminer akan
Gambar III.11 Metode Naïve Bayes Pada Software Rapidminer
Gambar III.12 Tools Pengukur Akurasi Dari Model Naïve Bayes
dijalankan dan menghasilkan nilai akurasi dari model atau metode naïve bayes
tersebut yang akan dianalisa oleh peneliti untuk menarik kesimpulan dari hasil
analisa tersebut dan menentukan hipotesa yang valid dari 2 hipotesa yang telah
disebutkan pada subbab hipotesa di bab 1 pendahuluan. Hasil dari input data
impor tersebut yang telah dijalankan oleh software rapidminer adalah sebagai
berikut:
Pada gambar tersebut, tabel distribution model akan menjelaskan
jumlah kelas “Y” yang merupakan kelas penyakit kulit yang termasuk dermatitis
sebanyak berapa persen dari 100% data berdasarkan model yang telah dibuat.
Begitu juga dengan jumlah kelas “N” yang merupakan kelas penyakit kulit yang
tidak termasuk dermatitis sebanyak berapa persen dari 100% data akan dijelaskan
pada tabel ini. Software Rapidminer akan memberikan hasil dalam bentuk
bilangan desimal, karena nilai maksimal dari hasil tersebut adalah 1, sedangkan
nilai terendah dari hasil tersebut adalah 0.
Gambar III.13 Hasil Pemrosesan Data Impor oleh Software Rapidminer
Tabel example set merupakan tabel yang bertujuan untuk menguji
validitas data dengan menggunakan teknik cross-validation. Sehingga, data yang
awalnya digunakan sebagai data pelatihan akan diubah menjadi data pengujian.
Begitu juga data pengujian akan diubah menjadi data pelatihan. Hal ini
dimaksudkan agar data yang tidak valid, dapat ditemukan dan dipisahkan dari data
yang valid.
Tabel performance vector merupakan tabel yang akan menjelaskan
akurasi dari metode naïve bayes dalam memproses data yang telah diimpor
tersebut. Tingkat akurasi metode naïve bayes tersebut menunjukkan kemampuan
metode naïve bayes dalam mengklasifikasi data impor tersebut secara tepat dan
sesuai dengan kelas yang sesungguhnya.
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1. Implementasi Penelitian
Pada tanggal 2 Agustus 2015, peneliti memulai melakukan riset di
SMPIT AL BINAA IBS. Peneliti melakukan pengamatan langsung terhadap
kejadian penyakit kulit di SMPIT AL BINAA IBS yang dimulai pada tanggal 2
Agustus 2015 hingga 4 Agustus 2015 untuk mendapatkan informasi langsung dari
objek penelitian tersebut. Setelah melakukan observasi dan mendapatkan
informasi tentang kejadian penyakit kulit, maka peneliti melanjutkan riset di
SMPIT AL BINAA IBS dengan mewawancarai petugas kesehatan SMPIT AL
BINAA IBS, yaitu: Bapak Ade. Setelah melakukan wawancara, peneliti meminta
kesediaan Bapak Ade untuk menunjukkan arsip data rekam medik pada SMPIT
AL BINAA IBS yang berisi catatan medis yang telah ditangani oleh petugas
kesehatan yang dimulai pada 4 November 2013 sampai 4 Agustus 2015.
Kemudian, peneliti menulis ulang arsip rekam medik tersebut yang menggunakan
tulisan tangan dengan menggunakan software Ms.Excel. Peneliti membuat 6
kolom gejala yang masing-masing kolom diberi nilai berupa angka 1 apabila
gejala tersebut dikeluhkan oleh pasien pada data arsip rekam medis tersebut dan
diberi nilai 0 apabila gejala tersebut tidak dikeluhkan oleh pasien pada data arsip
rekam medik tersebut. Data arsip data rekam medik yang telah ditulis ulang
dengan bantuan software Ms.Excel dilampirkan pada lampiran A.1.
Setelah melakukan penulisan ulang, peneliti akan mengimpor data arsip
rekam medik tersebut ke dalam software rapidminer. Sebelum diimpor, data arsip
rekam medik tersebut dieksplorasi menjadi bentuk yang dapat diproses oleh
software rapidminer dengan menghilangkan kolom nama, kolom umur, dan
kolom diagnosa yang diperlihatkan pada lampiran A.3.
Setelah dilakukan eksplorasi data, peneliti mengambil 165 data arsip
rekam medik tersebut untuk dijadikan sampel data pelatihan yang akan digunakan
untuk penghitungan metode klasifikasi naïve bayes secara manual beserta 1
sampel data pengujian untuk menguji metode klasifikasi naïve bayes tersebut.
Sampel data arsip rekam medik tersebut yang telah dieksplorasi tersebut
diperlihatkan pada lampiran A.2. Kemudian, penghitungan sampel data pengujian
dengan metode naïve bayes secara manual dijelaskan pada lampiran B.1. Sampel
data pengujian yang akan digunakan untuk melakukan penghitungan metode
klasifikasi naïve bayes secara manual adalah data ke-166 pada data arsip rekam
medik yang dilampirkan pada lampiran B.1.
Hasil dari penghitungan metode klasifikasi naïve bayes secara manual
adalah sebagai berikut:
1. P(X|class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) = 0,532 X 0,618 =
0,329
2. P(X|class_dermatitis=”No”)P(class_dermatitis=”No”) = 0,009 X 0,382 =
0,003
Karena nilai hasil penghitungan
P(X|class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) lebih besar dari
P(X|class_dermatitis=”No”)P(class_dermatitis=”No”), maka sampel data ke-166
pada data arsip rekam medik merupakan sampel yang termasuk ke dalam kelas
penyakit kulit yang termasuk dermatitis.
Setelah menghitung sampel data pelatihan dan sampel data pengujian
secara manual, maka peneliti mengimpor data arsip rekam medik tersebut dalam
bentuk yang sudah dieksplorasi ke dalam software rapidminer untuk dilakukan
penghitungan metode klasifikasi naïve bayes secara komputerisasi dan
ditempatkan pada bagian repository access. Data yang telah diimpor tersebut akan
ditempatkan di bagian main process yang merupakan fungsi process control pada
software rapidminer untuk diproses sebagaimana yang diperlihatkan oleh gambar
berikut:
Gambar IV.1 Proses Penempatan Data yang Telah Diimpor
Kemudian, data yang telah diimpor tersebut akan disambungkan dengan
utility yang digambarkan dengan kotak validation pada gambar di atas. Di dalam
utility tersebut, terdapat 2 kolom. Kolom pertama dinamakan dengan kolom
training. Kolom kedua dinamakan kolom testing. Kedua kolom tersebut
diperlihatkan pada gambar berikut:
Pada utility tersebut, model atau metode naïve bayes akan ditempatkan
pada bagian training, karena model naïve bayes akan mengolah data dengan
metode yang telah ditetapkan oleh teorema bayes. Kemudian, fungsi data
transformation yang diwakilkan oleh kotak apply model dan fungsi evaluation
yang diwakilkan oleh kotak performance ditempatkan pada bagian testing. Data
transformation bertujuan agar data yang telah dimodelkan dengan model naïve
bayes dapat diproses oleh software rapidminer dan menghasilkan informasi
berupa penempatan kelas berdasarkan data arsip rekam medik yang telah diimpor
sebelumnya. Informasi tersebut juga mengandung perhitungan-perhitungan yang
Gambar IV.2 Penempatan Data Transformation, Modelling, dan Evaluation Pada Utility
telah diproses berdasarkan metode naïve bayes. Kemudian, informasi tersebut
akan diuji dengan cross-validation dengan menggunakan fungsi evaluation yang
digambarkan dengan kotak performance. Fungsi ini bertujuan untuk mendapatkan
nilai akurasi dari model naïve bayes dalam memproses data yang telah diimpor
sebelumnya.
Setelah fungsi utility telah dipersiapkan dan data yang telah diimpor
sebelumnya telah disambungkan dengan fungsi utility, maka proses penghitungan
data dapat dijalankan dan menghasilkan informasi seperti yang ditunjukkan oleh
gambar berikut:
Pada gambar tersebut ada 3 informasi yang dihasilkan, yaitu:
distribution model, example set, dan performance vector.
Gambar IV.3 Hasil Pemrosesan Data Menggunakan Software Rapidminer
4.2. Analisa Data Menggunakan Software Rapidminer
Berdasarkan hasil implementasi penelitian pada subbab sebelumnya,
maka peneliti mendapatkan 3 informasi yang berkaitan dengan proses
penghitungan data arsip rekam medik dengan metode naïve bayes yang telah
dihasilkan oleh software rapidminer setelah dijalankan.
4.2.1 Distribution Model
Distribution model menjelaskan distribusi data-data yang telah diimpor
pada proses penempatan kelas menggunakan metode naïve bayes sebagaimana
yang diperlihatkan oleh gambar berikut ini:
Pada gambar tersebut, terdapat 2 kelas yang terbentuk berdasarkan hasil
pemrosesan data dengan metode naïve bayes, yaitu: kelas Y dan kelas N.
Kelas Y merupakan kelas penyakit kulit yang berdasarkan gejala-gejala
yang ditimbulkan termasuk dermatitis, sedangkan kelas N merupakan kelas
Gambar IV.4 Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas yang Terbentuk
penyakit kulit yang berdasarkan gejala-gejala yang ditimbulkan tidak termasuk
dermatitis. Setiap kelas, mempunyai 6 distribusi yang merupakan gejala-gejala
yang telah diinput berdasarkan data arsip rekam medik yang telah diimpor
sebelumnya.
Angka yang ditunjukkan oleh setiap kelas, merupakan hasil dari
penghitungan teorema bayes, yaitu: prior probability dari setiap kelas. Prior
probability pada kelas penyakit kulit yang termasuk dermatitis didapat dengan
membagi jumlah data penyakit kulit yang termasuk dermatitis, yaitu: 157 data
dengan jumlah keseluruhan data yang ada, yaitu: 228 data. Begitu juga dengan
prior probability dari kelas penyakit kulit yang tidak termasuk dermatitis didapat
dengan membagi jumlah data penyakit kulit yang tidak termasuk dermatitis, yaitu:
71 data dengan jumlah keseluruhan yang ada, yaitu: 228 data. Penghitungan
masing-masing kelas tersebut adalah:
P(class_dermatitis = ”Y”) = 157/228 = 0,689.
P(class_dermatitis = ”N”) = 71/228 = 0,311.
Hasil tersebut akan digunakan untuk menarik kesimpulan apakah suatu
sampel tertentu yang merupakan gejala-gejala penyakit kulit yang ditimbulkan,
termasuk penyakit kulit yang termasuk dermatitis atau termasuk penyakit kulit
yang tidak termasuk dermatitis.
Setelah mendapatkan informasi tentang distribusi gejala-gejala yang
dimasukkan dalam kelas tertentu, maka distribution model menjelaskan
bagaimana kedua kelas tersebut dapat terbentuk berdasarkan gejala-gejala yang
telah diinput pada data arsip rekam medik sebagaimana yang diperlihatkan oleh
gambar berikut:
Pada tabel distribusi gejala-gejala tersebut, terdapat angka-angka yang
merupakan hasil dari penghitungan berdasarkan metode naïve bayes. Angka-
angka tersebut akan dijadikan suatu diagram batang yang mewakili setiap
distribusi untuk mempermudah analisa data seperti yang diperlihatkan pada
gambar berikut ini:
Gambar IV.5 Hasil Distribusi Gejala-Gejala pada Kelas Y dan Kelas N
Pada diagram atau grafik tersebut, batang berwarna merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y.
Angka 1 menunjukkan keluhan terhadap gejala kulit kemerahan, sedangkan angka
0 menunjukkan tidak ada keluhan terhadap gejala kulit kemerahan.
Diagram tersebut didapat dengan menghitung seluruh kemungkinan,
baik adanya gejala kulit kemerahan atau tidak adanya gejala kulit kemerahan yang
dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk
dermatitis. Gejala kulit kemerahan yang termasuk kelas Y sebanyak 157 data yang
dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala kulit
kemerahan yang termasuk kelas N sebanyak 16 data yang dibagi dengan jumlah
data pada kelas N, yaitu: 71 data.
Setelah mengetahui jumlah data gejala kulit kemerahan, maka peneliti
menghitung jumlah data gejala bukan kulit kemerahan. Gejala bukan kulit
kemerahan yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah
Gambar IV.6 Hasil Distribusi Gejala Kulit Kemerahan
data pada kelas Y, yaitu: 157 data. Sedangkan, gejala bukan kulit kemerahan yang
termasuk kelas N sebanyak 55 data yang dibagi dengan jumlah data pada kelas N,
yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram
batang tersebut adalah sebagai berikut:
P(kulit_kemerahan = ”1” | class_dermatitis = ”Y”) = 157/157 = 1.
P(kulit_kemerahan = ”1” | class_dermatitis = ”N”) = 16/71 = 0,225.
P(kulit_kemerahan = ”0” | class_dermatitis = ”Y”) = 0/157 = 0.
P(kulit_kemerahan = ”0” | class_dermatitis = ”N”) = 55/71 = 0,775.
Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa
penyakit kulit yang termasuk dermatitis memiliki gejala kulit kemerahan. Hal ini
ditunjukkan dari penghitungan tersebut bahwa tidak ada kelas Y yang tidak
memiliki gejala kulit kemerahan. Apabila gejala kulit kemerahan tidak dikeluhkan
oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut tidak termasuk
gejala penyakit kulit yang termasuk dermatitis.
Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat
diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak
terdapat kelas yang tidak diketahui penempatannya, maka gejala kulit kemerahan
dapat diklasifikasi oleh metode naïve bayes secara tepat.
Setelah menganalisa data gejala kulit kemerahan, maka peneliti
menganalisa gejala vesikel atau bintik-bintik yang diperlihatkan oleh gambar
berikut:
Pada diagram atau grafik tersebut, batang berwarna merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y.
Angka 1 menunjukkan keluhan terhadap gejala vesikel, sedangkan angka 0
menunjukkan tidak ada keluhan terhadap gejala vesikel.
Diagram tersebut didapat dengan menghitung seluruh kemungkinan,
baik adanya gejala vesikel atau tidak adanya gejala vesikel yang dapat
menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk
dermatitis. Gejala vesikel yang termasuk kelas Y sebanyak 0 data yang dibagi
dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala vesikel yang
termasuk kelas N sebanyak 16 data yang dibagi dengan jumlah data pada kelas N,
yaitu: 71 data.
Setelah mengetahui jumlah data gejala vesikel, maka peneliti
menghitung jumlah data gejala bukan vesikel. Gejala bukan vesikel yang
termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data pada kelas
Gambar IV.7 Hasil Distribusi Gejala Vesikel atau Bintik-Bintik
Y, yaitu: 157 data. Sedangkan, gejala bukan vesikel yang termasuk kelas N
sebanyak 55 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data.
Kemudian, Penghitungan dari masing-masing batang pada diagram batang
tersebut adalah sebagai berikut:
P(vesikel = ”1” | class_dermatitis = ”Y”) = 0/157 = 0.
P(vesikel = ”1” | class_dermatitis = ”N”) = 16/71 = 0,225.
P(vesikel = ”0” | class_dermatitis = ”Y”) = 157/157 = 1.
P(vesikel = ”0” | class_dermatitis = ”N”) = 55/71 = 0,775.
Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa
penyakit kulit yang termasuk dermatitis tidak memiliki gejala vesikel atau bintik-
bintik. Hal ini ditunjukkan pada perhitungan tersebut bahwa tidak ada kelas Y
yang memiliki gejala vesikel atau bintik-bintik. Apabila gejala vesikel tidak
dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut ada
kemungkinan termasuk gejala penyakit kulit yang termasuk dermatitis tergantung
kepada gejala lain yang menyertai gejala tersebut.
Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat
diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak
terdapat kelas yang tidak diketahui penempatannya, maka gejala vesikel dapat
diklasifikasi oleh metode naïve bayes secara tepat.
Setelah menganalisa data gejala vesikel, maka peneliti menganalisa
gejala gatal yang diperlihatkan oleh gambar berikut:
Pada diagram atau grafik tersebut, batang berwarna merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y.
Angka 1 menunjukkan keluhan terhadap gejala gatal, sedangkan angka 0
menunjukkan tidak ada keluhan terhadap gejala gatal.
Diagram tersebut didapat dengan menghitung seluruh kemungkinan,
baik adanya gejala gatal atau tidak adanya gejala gatal yang dapat menyebabkan
penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala
gatal yang termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data
pada kelas Y, yaitu: 157 data. Sedangkan, gejala gatal yang termasuk kelas N
sebanyak 18 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data.
Setelah mengetahui jumlah data gejala gatal, maka peneliti menghitung
jumlah data gejala bukan gatal. Gejala bukan gatal yang termasuk kelas Y
sebanyak 0 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data.
Sedangkan, gejala bukan gatal yang termasuk kelas N sebanyak 53 data yang
Gambar IV.8 Hasil Distribusi Gejala Gatal
dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan
dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut:
P(gatal = ”1” | class_dermatitis = ”Y”) = 157/157 = 1.
P(gatal = ”1” | class_dermatitis = ”N”) = 18/71 = 0,254.
P(gatal = ”0” | class_dermatitis = ”Y”) = 0/157 = 0.
P(gatal = ”0” | class_dermatitis = ”N”) = 53/71 = 0,746.
Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa
penyakit kulit yang termasuk dermatitis memiliki gejala gatal. Hal ini ditunjukkan
dari penghitungan tersebut bahwa tidak ada kelas Y yang tidak memiliki gejala
gatal. Apabila gejala gatal tidak dikeluhkan oleh pasien, maka berdasarkan
penghitungan ini, gejala tersebut tidak termasuk gejala penyakit kulit yang
termasuk dermatitis.
Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat
diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak
terdapat kelas yang tidak diketahui penempatannya, maka gejala gatal dapat
diklasifikasi oleh metode naïve bayes secara tepat.
Setelah menganalisa data gejala gatal, maka peneliti menganalisa gejala
luka yang diperlihatkan oleh gambar berikut:
Pada diagram atau grafik tersebut, batang berwarna merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y.
Angka 1 menunjukkan keluhan terhadap gejala luka, sedangkan angka 0
menunjukkan tidak ada keluhan terhadap gejala luka.
Diagram tersebut didapat dengan menghitung seluruh kemungkinan,
baik adanya gejala luka atau tidak adanya gejala luka yang dapat menyebabkan
penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala
luka yang termasuk kelas Y sebanyak 26 data yang dibagi dengan jumlah data
pada kelas Y, yaitu: 157 data. Sedangkan, gejala luka yang termasuk kelas N
sebanyak 45 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data.
Setelah mengetahui jumlah data gejala luka, maka peneliti menghitung
jumlah data gejala bukan luka. Gejala bukan luka yang termasuk kelas Y
sebanyak 131 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data.
Sedangkan, gejala bukan luka yang termasuk kelas N sebanyak 26 data yang
Gambar IV.9 Hasil Distribusi Gejala Luka
dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan
dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut:
P(luka = ”1” | class_dermatitis = ”Y”) = 26/157 = 0,166.
P(luka = ”1” | class_dermatitis = ”N”) = 45/71 = 0,634.
P(luka = ”0” | class_dermatitis = ”Y”) = 131/157 = 0,834.
P(luka = ”0” | class_dermatitis = ”N”) = 26/71 = 0,366.
Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa
penyakit kulit yang termasuk dermatitis dapat memiliki gejala luka. Apabila gejala
luka tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala
tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk
dermatitis tergantung pada gejala lain yang menyertainya. Hal ini, disebabkan
oleh penderita dermatitis yang merasakan gatal dan menggaruk anggota badan
yang gatal tersebut, sehingga menyebabkan luka. Peneliti mendapatkan
pernyataan ini setelah melakukan observasi langsung.
Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat
diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak
terdapat kelas yang tidak diketahui penempatannya, maka gejala luka dapat
diklasifikasi oleh metode naïve bayes secara tepat.
Setelah menganalisa data gejala luka, maka peneliti menganalisa gejala
panas yang diperlihatkan oleh gambar berikut:
Pada diagram atau grafik tersebut, batang berwarna merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y.
Angka 1 menunjukkan keluhan terhadap gejala panas, sedangkan angka 0
menunjukkan tidak ada keluhan terhadap gejala panas.
Diagram tersebut didapat dengan menghitung seluruh kemungkinan,
baik adanya gejala panas atau tidak adanya gejala panas yang dapat menyebabkan
penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala
panas yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah data
pada kelas Y, yaitu: 157 data. Sedangkan, gejala panas yang termasuk kelas N
sebanyak 4 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data.
Setelah mengetahui jumlah data gejala panas, maka peneliti menghitung
jumlah data gejala bukan panas. Gejala bukan panas yang termasuk kelas Y
sebanyak 157 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data.
Sedangkan, gejala bukan panas yang termasuk kelas N sebanyak 67 data yang
Gambar IV.10 Hasil Distribusi Gejala Panas
dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan
dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut:
P(panas = ”1” | class_dermatitis = ”Y”) = 0/157 = 0.
P(panas = ”1” | class_dermatitis = ”N”) = 4/71 = 0,056.
P(panas = ”0” | class_dermatitis = ”Y”) = 157/157 = 1.
P(panas = ”0” | class_dermatitis = ”N”) = 67/71 = 0,944.
Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa
penyakit kulit yang termasuk dermatitis tidak memiliki gejala panas. Hal ini
ditunjukkan dari penghitungan tersebut bahwa tidak ada kelas Y yang memiliki
gejala panas. Apabila gejala panas tidak dikeluhkan oleh pasien, maka
berdasarkan penghitungan ini, gejala tersebut ada kemungkinan termasuk gejala
penyakit kulit yang termasuk dermatitis tergantung kepada gejala lain yang
menyertai gejala tersebut.
Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat
diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak
terdapat kelas yang tidak diketahui penempatannya, maka gejala panas dapat
diklasifikasi oleh metode naïve bayes secara tepat.
Setelah menganalisa data gejala panas, maka peneliti menganalisa
gejala gatal yang diperlihatkan oleh gambar berikut:
Pada diagram atau grafik tersebut, batang berwarna merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y.
Angka 1 menunjukkan keluhan terhadap gejala infeksi, sedangkan angka 0
menunjukkan tidak ada keluhan terhadap gejala infeksi.
Diagram tersebut didapat dengan menghitung seluruh kemungkinan,
baik adanya gejala infeksi atau tidak adanya gejala infeksi yang dapat
menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk
dermatitis. Gejala infeksi yang termasuk kelas Y sebanyak 38 data yang dibagi
dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala infeksi yang
termasuk kelas N sebanyak 29 data yang dibagi dengan jumlah data pada kelas N,
yaitu: 71 data.
Setelah mengetahui jumlah data gejala infeksi, maka peneliti
menghitung jumlah data gejala bukan infeksi. Gejala bukan infeksi yang termasuk
kelas Y sebanyak 119 data yang dibagi dengan jumlah data pada kelas Y, yaitu:
Gambar IV.11 Hasil Distribusi Gejala Infeksi
157 data. Sedangkan, gejala bukan infeksi yang termasuk kelas N sebanyak 42
data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian,
Penghitungan dari masing-masing batang pada diagram batang tersebut adalah
sebagai berikut:
P(Infeksi = ”1” | class_dermatitis = ”Y”) = 38/157 = 0,242.
P(Infeksi = ”1” | class_dermatitis = ”N”) = 29/71 = 0,408.
P(Infeksi = ”0” | class_dermatitis = ”Y”) = 119/157 = 0,758.
P(Infeksi = ”0” | class_dermatitis = ”N”) = 42/71 = 0,592.
Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa
penyakit kulit yang termasuk dermatitis dapat memiliki gejala infeksi. Apabila
gejala infeksi tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini,
gejala tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk
dermatitis tergantung pada gejala lain yang menyertainya. Hal ini, disebabkan
oleh penderita dermatitis yang merasakan gatal dan menggaruk anggota badan
yang gatal tersebut, sehingga menyebabkan luka. Kemudian, luka tersebut tidak
cepat diobati sehingga kuman atau bakteri akan menyebabkan luka tersebut
infeksi. Peneliti mendapatkan pernyataan ini setelah melakukan observasi
langsung.
Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat
diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak
terdapat kelas yang tidak diketahui penempatannya, maka gejala infeksi dapat
diklasifikasi oleh metode naïve bayes secara tepat.
4.2.2 Example Set
Pada bagian ini, data akan dikelompokkan berdasarkan gejala yang
terjadi pada data arsip data rekam medik tersebut secara keseluruhan sebagaimana
yang diperlihatkan oleh gambar berikut:
Gambar IV.12 Pengelompokkan Data Berdasarkan Gejala
Pada tabel di gambar berikut ini, ada 228 data yang kita gunakan untuk
membuat penghitungan menggunakan metode naïve bayes. Dari 228 data tersebut,
data-data akan dikelompokkan berdasarkan atribut-atribut yang telah disediakan
secara keseluruhan. Ada 6 atribut yang merupakan gejala-gejala dari penyakit
kulit dan 1 label untuk menyatakan kelas dari penyakit kulit yang termasuk
dermatitis dan menyatakan kelas dari penyakit kulit yang tidak termasuk
dermatitis.
Pada label hasil, terdapat 2 kelas, yaitu: kelas Y dan kelas N yang.
Kelas Y yang berjumlah 157 data merupakan kelas yang beranggotakan penyakit
kulit yang termasuk dermatitis. Sedangkan, kelas N yang berjumlah 71 data
merupakan kelas yang beranggotakan penyakit kulit yang tidak termasuk
dermatitis.
Pada atribut gejala kulit kemerahan, terdapat 173 data yang
menunjukkan bahwa pasien tersebut menderita gejala kulit kemerahan.
Sedangkan, 55 data yang lain menunjukkan bahwa pasien tersebut tidak menderita
gejala kulit kemerahan.
Pada atribut gejala vesikel atau bintik-bintik, terdapat 212 data yang
tidak menunjukkan bahwa pasien tersebut menderita gejala vesikel. Sedangkan,
16 data yang lain menunjukkan bahwa pasien tersebut menderita gejala vesikel.
Pada atribut gejala gatal, terdapat 175 data yang menunjukkan bahwa
pasien tersebut menderita gejala gatal. Sedangkan, 53 data yang lain menunjukkan
bahwa pasien tersebut tidak menderita gejala gatal.
Pada atribut gejala luka, terdapat 157 data yang menunjukkan bahwa
pasien tersebut tidak menderita gejala luka. Sedangkan, 71 data yang lain
menunjukkan bahwa pasien tersebut menderita gejala luka.
Pada atribut gejala panas, terdapat 224 data yang menunjukkan bahwa
pasien tersebut tidak menderita gejala panas. Sedangkan, 4 data yang lain
menunjukkan bahwa pasien tersebut menderita gejala panas.
Pada atribut gejala infeksi, terdapat 161 data yang menunjukkan bahwa
pasien tersebut tidak menderita gejala infeksi. Sedangkan, 67 data yang lain
menunjukkan bahwa pasien tersebut menderita gejala infeksi.
4.2.3 Performance Vector
Pada bagian ini, data akan diukur kecepatan pembacaan data dan
akurasi ketepatan klasifikasi dengan menggunakan metode naïve bayes. Bagian
ini merupakan bagian pengujian model. Setelah data diproses, maka hasil
pengujian dari data arsip rekam medik digambarkan sebagai berikut:
Gambar IV.13 Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes
Pada gambar ini, akurasi yang dihasilkan adalah 100%. Hal ini
disebabkan tidak adanya kelas yang salah atau tidak sesuai berdasarkan gejala-
gejala yang telah diinput pada data arsip rekam medik. Artinya, seluruh gejala
telah dikelompokkan oleh metode klasifikasi naïve bayes secara tepat.
Selain itu, metode naïve bayes memiliki kecepatan yang tinggi dalam
mengklasifikasi data-data yang telah diimpor tersebut. Hal ini diperlihatkan oleh
gambar berikut:
Gambar IV.14 Waktu Yang Dibutuhkan Untuk Mengklasifikasi Data
Pada gambar tersebut, waktu yang dibutuhkan oleh metode naïve bayes
dalam mengklasifikasi data adalah 0 detik. Hal ini menunjukkan bahwa metode
naïve bayes memiliki kecepatan yang tinggi dalam mengklasifikasi data.
BAB V
PENUTUP
5.1. Kesimpulan
Pada penelitian ini, peneliti mengakhiri penghitungan klasifikasi
penyakit kulit yang termasuk dermatitis dengan penyakit kulit yang tidak
termasuk dermatitis menggunakan metode naïve bayes dengan kesimpulan
sebagai berikut:
1. Metode naïve bayes memiliki kecepatan yang tinggi dalam mengklasifikasikan
penyakit kulit berdasarkan gejala-gejala yang ditimbulkan. Hal ini dibuktikan
dengan waktu tempuh untuk mengklasifikasi penyakit kulit pada penelitian ini
selama 0 detik. Selama diproses, metode naïve bayes menghasilkan diagram
batang pengklasifikasian berdasarkan data rekam medik penyakit kulit yang
memberikan informasi tentang gejala-gejala yang merupakan gejala penyakit
kulit, baik yang termasuk dermatitis maupun yang tidak termasuk dermatitis.
2. Metode naïve bayes memiliki akurasi yang tinggi dalam mengklasifikasi
penyakit kulit berdasarkan gejala-gejala yang ditimbulkan pada penelitian ini.
Hal ini dibuktikan dengan tingkat akurasi yang mencapai 100% saat data arsip
rekam medik penyakit kulit diproses menggunakan software rapidminer.
5.2. Saran
Setelah melaksanakan penelitian ini, maka peneliti memberi saran bagi
penelitian selanjutnya agar penelitian ini dapat dikembangkan di kemudian hari.
Saran tersebut adalah:
1. Peneliti menyarankan untuk meriset objek penelitian yang meliputi jenis
kelamin laki-laki dan perempuan. Hal ini dimaksudkan untuk mendapatkan
perbandingan antara gejala-gejala penyakit kulit yang ditimbulkan pada laki-
laki dengan gejala penyakit kulit yang ditimbulkan oleh perempuan.
2. Peneliti membuat penelitian ini dengan menggunakan metode klasifikasi naïve
bayes untuk mendiagnosa penyakit kulit yang termasuk dermatitis dan
mendiagnosa penyakit kulit yang tidak termasuk dermatitis. Kemudian, peneliti
menyarankan untuk menggunakan metode algoritma C4.5 untuk menemukan
informasi yang berkaitan dengan kriteria-kriteria yang dapat menyebabkan
terjadinya suatu penyakit kulit dan digambarkan dalam bentuk pohon
keputusan.
3. Kejadian penyakit kulit yang terjadi di SMPIT AL BINAA IBS disebabkan
oleh faktor cuaca terutama saat musim hujan, kualitas air yang rendah, dan
kebersihan lingkungan yang kurang terjaga. Pada penelitian selanjutnya, riset
dapat dilakukan di pesantren-pesantren tradisional yang merupakan tempat-
tempat para siswa atau santri belajar ilmu agama, terutama pesantren-pesantren
yang berada di daerah yang kebersihan lingkungan pesantren tersebut kurang
terawat. Hal ini dimaksudkan untuk mendapatkan perbandingan antara
pesantren modern yang telah diteliti pada penelitian ini dengan pesantren
tradisional pada penelitian selanjutnya.
4. SMPIT AL BINAA IBS merupakan pesantren modern yang seyogyanya
menjadi contoh pesantren yang mengajarkan kebersihan lingkungan dengan
mendidik para siswa atau santri, para guru, dan juga para karyawan untuk
menjaga kebersihan lingkungan pada SMPIT AL BINAA IBS untuk mencegah
penularan penyakit kulit pada sekolah tersebut.
DAFTAR PUSTAKA
Azizah, Fitri. 2014. Frekuensi Penyakit Kulit di RS Karitas, Sumba Barat Daya
September 2014. Jakarta: eJKI Vol.2, No. 3 Desember 2014:147-150.
Dewi, Yusnita. 2013. Eksplorasi Data Mining Software (Rapid Miner). Diambil
dari:http://yusnitadewi.ilearning.me20131001eksplorasi-data-mining-
software-rapid-miner. (8 Januari 2016).
Kurniawan, Rio dan Akbar Ramadhan. 2012. Perancangan Sistem Pakar Dengan
Menggunakan Certainty Factor dan Implementasi Metode Jaringan Syaraf
Tiruan Backpropagation Untuk Membantu Diagnosis Penyakit Kulit.
Bandung: Jurnal LPKIA Vol.1, No. 2 Desember 2012:30-35.
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta:
Andi Offset.
Meilani, Budanis Dwi dan Nofi Susanti. 2014. Aplikasi Data Mining Untuk
Menghasilkan Pola Kelulusan Siswa Dengan Metode Naïve Bayes. ISSN:
1858-4667. Surabaya: Jurnal LINK Vol.21, No. 2 September 2014:1-6.
Prasetyo, Eko. 2014. Data Mining-Mengolah Data Menjadi Informasi
Menggunakan Matlab. Yogyakarta: Andi offset.
Riduwan. 2012. Skala Pengukuran Variabel-variabel Penelitian. Bandung:
Penerbit ALFABETA.
Santosa, Budi. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan
Bisnis. Yogyakarta: Graha Ilmu.
Sugiyono. 2007. Metode Penelitian Administrasi Dilengkapi dengan Metode
R&D. Bandung: Penerbit ALFABETA.
Widodo, Prabowo Pudjo, Rahmadya Trias Handayanto, dan Herlawati. 2013.
Penerapan Data Mining Dengan Matlab. Bandung: Penerbit Rekayasa Sains.
Wijaya, Lorettha, Ricky Fernando, dan Stefanus Lembar. 2015. Pemeriksaan
Penunjang dan Laboratorium pada Penyakit Kulit dan Kelamin. Jakarta:
Penerbit Universitas Katolik Indonesia Atma Jaya.
DAFTAR RIWAYAT HIDUP
I. Biodata Mahasiswa
NIM : 11122703
Nama Lengkap : Muhammad Ihrom
Tempat & Tanggal Lahir : Jakarta, 26 Mei 1993
Alamat lengkap : Jl. Kucica I Blok JG 4 no.2 Bintaro Sektor IX
Tangerang Selatan Banten
II. Pendidikan a. Formal
1. TK Islam An-Nur di Bekasi Jawa Barat, lulus tahun 1999
2. SD Islam Asy-Syafi’iyah 02 di Jakarta Timur, lulus tahun 2005
3. SMPIT AL BINAA IBS di Jawa Barat, lulus tahun 2008
4. SMAIT AL BINAA IBS di Jawa Barat, lulus tahun 2011
5. Persiapan Bahasa Arab LIPIA di Jakarta Selatan, lulus tahun 2013 6. Pemantapan Bahasa Arab LIPIA di Jakarta Selatan, lulus tahun 2014
b. Non Formal
1. Kursus Bahasa Inggris (Pronounciation and Speaking) di Pare Jawa
Timur, lulus tahun 2012.
2. Kursus Pengembangan Pembelajaran Bahasa Arab di Bekasi Jawa
Barat, lulus tahun 2013.
III. Riwayat Pengalaman Berorganisasi atau Pekerjaan
1. Sekretaris Organisasi Siswa Intra Sekolah (OSIS) SMAIT AL BINAA IBS
, Jawa Barat Tahun 2010.
2. Sekretaris Organisasi Islam Nidaul Haq, Jakarta Selatan Tahun 2012
Jakarta, 5 Februari 2016
Muhammad Ihrom
3 X 4
NIM : 11122703
Nama Lengkap : Muhammad Ihrom
Dosen Pembimbing I : Nining Suryani, M.Kom
Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode
Naïve Bayes pada SMPIT AL BINAA Islamic
Boarding School.
Catatan untuk Dosen Pembimbing I
Bimbingan Skripsi
Dimulai pada tanggal : 30 Oktober 2015
Diakhiri pada tanggal : 5 Februari 2016
Jumlah pertemuan bimbingan : 8 (Delapan) Pertemuan
Disetujui oleh,
Dosen Pembimbing I
(Nining Suryani, M.Kom)
LEMBAR KONSULTASI BIMBINGAN SKRIPSI
SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER
NUSA MANDIRI
No. Tanggal
Bimbingan Pokok Bahasan
Paraf Dosen
Pembimbing I
1 30 Oktober 2015 Bimbingan Perdana
2 27 November 2015 Pengajuan Bab I
3 4 Desember 2015 Koreksi Bab I
4 8 Januari 2016 Acc Bab I dan Pengajuan Bab IV
5 15 Januari 2016 Koreksi Bab IV
6 22 Januari 2016 Acc Bab IV dan Pengajuan Bab V
7 29 Januari 2016 Koreksi Bab V
8 5 Februari 2016 Review Bab I, Bab IV, dan Bab V
LEMBAR KONSULTASI BIMBINGAN SKRIPSI
SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER
NUSA MANDIRI
NIM : 11122703
Nama Lengkap : Muhammad Ihrom
Dosen Pembimbing II : Eri Mardiani, M.Kom
Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode
Naïve Bayes pada SMPIT AL BINAA Islamic
Boarding School.
No
.
Tanggal
Bimbingan Pokok Bahasan
Paraf Dosen
Pembimbing II
1 23 November 2015 Konsultasi Bab II
2 30 November 2015 Revisi Bab II
3 8 Januari 2016 Acc Bab II
4 15 Januari 2016 Konsultasi Bab III
5 20 Januari 2016 Revisi Bab III
6 31 Januari 2016 Acc Bab III
7 5 Februari 2016 Review Bab II dan Bab III
Catatan untuk Dosen Pembimbing II
Bimbingan Skripsi
Dimulai pada tanggal : 23 November 2015
Diakhiri pada tanggal : 5 Februari 2016
Jumlah pertemuan bimbingan : 7 (Tujuh) Pertemuan
Disetujui oleh,
Dosen Pembimbing II
(Eri Mardiani, M.Kom)
LAMPIRAN
Lampiran A.1.
Tabel Data Arsip Rekam Medik
No Nama Umur Gejala
Diagnosa Kulit Kemerahan Vesikel (bintik) Gatal Luka Panas Infeksi Class_dermatitis
1 Andra 12 1 0 1 0 0 0 1 Dermatitis
2 Fikrul 13 1 0 1 0 0 0 1 Dermatitis
3 Ruli 14 0 0 1 0 0 1 0 tineapedise
4 Aman 14 1 1 1 0 1 0 0 Varicela
5 wildan 12 1 0 1 1 0 1 1 Dermatitis
6 Dede 10 1 0 1 0 0 1 1 Dermatitis
7 Santri 12 1 1 1 0 1 0 0 Varicela
8 Fauzi 15 1 0 1 1 0 1 1 Dermatitis
9 Sulthan 12 1 1 1 0 1 0 0 Varicela
10 Abdul Hadi 16 1 1 1 0 0 0 0 Alergi
11 Uga 7 1 0 0 1 0 1 0 Abses(bengkak)
12 Gusti 10 1 0 1 0 0 0 1 Dermatitis
13 Nabil 10 1 0 1 1 0 1 1 Dermatitis
14 Sopian 13 1 0 1 0 0 1 1 Dermatitis
15 Nabil 10 1 0 1 1 0 0 1 Dermatitis
16 Miswanto 13 0 0 0 1 0 1 0 Abses(bengkak)
17 Syafiq 12 1 0 0 1 0 1 0 Implamantori (radang)
18 Billy 10 1 0 1 0 0 1 1 Dermatitis
19 Diki 8 1 0 1 0 0 1 1 Dermatitis
20 Akbar 10 0 0 0 1 0 1 0 Abses(bengkak)
21 Gusti 12 1 0 1 0 0 1 1 Dermatitis
22 Asgar 10 1 0 1 1 0 0 1 Dermatitis
23 Dani 9 1 0 1 1 0 0 1 Dermatitis
24 Supian 13 1 0 1 0 0 0 1 Dermatitis
25 Salman 12 1 0 1 0 0 1 1 Dermatitis
26 Fatan 10 1 0 1 0 0 1 1 Dermatitis
27 Asgar 10 1 0 1 0 0 0 1 Dermatitis
28 Khaerul 11 1 0 1 0 0 0 1 Dermatitis
29 Andi 30 1 0 1 0 0 0 1 Dermatitis
30 Robbi 11 1 0 1 0 0 0 1 Dermatitis
31 Fikrul 13 1 0 1 1 0 0 1 Dermatitis
32 Ahnap 12 1 0 1 1 0 0 1 Dermatitis
33 Ahmad Najib 13 1 0 1 1 0 0 1 Dermatitis
34 Abbas 13 0 0 0 1 0 1 0 Abses(bengkak)
35 Genta 11 0 1 0 0 0 0 0 Kutil
36 Sandri 15 1 0 1 0 0 0 1 Dermatitis
37 Fatah 10 1 0 1 1 0 0 1 Dermatitis
38 Asgar 9 1 0 1 1 0 0 1 Dermatitis
39 Genta 11 0 0 0 1 0 1 0 Abses(bengkak)
40 Akbar 9 1 0 1 0 0 0 1 Dermatitis
41 Asgar 9 1 0 1 0 0 0 1 Dermatitis
42 Gusti 11 0 0 0 1 0 1 0 Infeksi
43 Hasan 11 0 0 0 1 0 1 0 Infeksi
44 Fikrul 13 0 0 0 1 0 1 0 Infeksi
45 Noval 14 0 0 0 1 0 1 0 Abses(bengkak)
46 Dimas 14 0 0 1 0 0 0 0 Alergi
47 Uga 7 1 1 1 0 1 0 0 Varicela
48 Luthfi 10 0 0 0 1 0 1 0 Infeksi
49 Noval 14 0 0 0 1 0 0 0 Luka
50 Rivaldi 16 0 0 0 1 0 1 0 Infeksi
51 Nacep 30 0 0 0 1 0 1 0 Infeksi
52 Akbar 9 1 0 1 1 0 1 1 Dermatitis
53 Asgar 9 1 0 1 1 0 1 1 Dermatitis
54 Zaky 12 1 0 1 1 0 1 1 Dermatitis
55 Akbar 9 1 0 1 0 0 1 1 Dermatitis
56 Sulthan 12 1 0 1 0 0 0 1 Dermatitis
57 Nabil 13 1 0 1 1 0 0 1 Dermatitis
58 Levy 12 1 0 1 0 0 0 1 Dermatitis
59 Faza 13 1 0 1 0 0 1 1 Dermatitis
60 Rifky 16 1 0 1 0 0 0 1 Dermatitis
61 Kholid 13 0 0 1 0 0 0 0 Avlesratum(luka)
62 Ismail 7 1 0 0 1 0 0 0 Luka
63 Aziz 16 1 0 1 0 0 0 1 Dermatitis
64 Fauzi 15 1 0 1 0 0 0 1 Dermatitis
65 Qohar 15 1 0 1 0 0 0 1 Dermatitis
66 Iqbal 14 1 0 1 0 0 0 1 Dermatitis
67 Andi 16 1 0 1 1 0 0 1 Dermatitis
68 Dwi 14 0 0 0 1 0 0 0 luka
69 Iman 14 0 0 0 1 0 0 0 luka
70 Dwi 14 0 0 0 1 0 0 0 Avlesratum
71 Haris 17 0 0 0 1 0 0 0 Avlesratum
72 Nanda 12 0 0 0 1 0 0 0 luka
73 Aldi 13 1 0 1 0 0 1 1 Dermatitis
74 Rifky 16 1 0 1 0 0 0 1 Dermatitis
75 Abul 12 1 1 1 1 0 0 0 Herpes
76 Syahid 12 1 1 1 0 0 0 0 Alergi
77 Fatun 13 1 0 0 0 0 1 0 Infeksi
78 Iqbal 14 0 0 0 1 0 0 0 Luka
79 Rifky 17 1 0 1 0 0 0 1 Dermatitis
80 Anggih 9 0 0 0 1 0 1 0 Infeksi
81 Faza 12 0 0 1 0 0 0 0 Alergi
82 Iqbal 14 0 0 0 1 0 0 0 Luka
83 Raka 13 1 0 1 0 0 0 1 Dermatitis
84 Panji 12 0 0 0 1 0 0 0 Avlesratum
85 Firdaus 15 1 0 1 0 0 0 1 Dermatitis
86 Ardan 12 1 0 1 0 0 0 1 Dermatitis
87 Rizky 17 1 0 1 0 0 0 1 Dermatitis
88 Hudzaifah 17 0 0 1 1 0 1 0 Alergi
89 Rohmat 11 1 0 1 0 0 0 1 Dermatitis
90 Luthfi 11 1 0 1 0 0 0 1 Dermatitis
91 Rifky 9 0 0 0 1 0 0 0 Avlesratum
92 Rivaldo 11 1 0 1 0 0 1 1 Dermatitis
93 Firas 16 0 0 0 1 0 0 0 Luka
94 Billi 11 1 0 1 1 0 1 1 Dermatitis
95 Yan 12 1 0 1 1 0 1 1 Dermatitis
96 Catur 17 1 0 1 1 0 1 1 Dermatitis
97 Fahmi 12 1 0 1 0 0 0 1 Dermatitis
98 Yoyo 40 1 0 1 0 0 0 1 Dermatitis
99 Farhan 11 1 0 1 0 0 0 1 Dermatitis
100 Asgar 9 0 0 0 1 0 0 0 Luka
101 Akbar 9 0 0 0 1 0 0 0 Luka
102 Ikhsan 9 0 0 0 1 0 0 0 Luka
103 Luthfi 12 1 0 1 0 0 0 1 Dermatitis
104 Zainal 14 0 0 1 1 0 1 0 Alergi
105 Rizal 12 0 0 0 0 0 1 0 Alergi
106 Asep 13 1 0 1 0 0 0 1 Dermatitis
107 Faza 14 0 1 0 0 0 0 0 Kutilan
108 Wildan 13 1 0 1 0 0 0 1 Dermatitis
109 Dede 11 1 0 1 0 0 0 1 Dermatitis
110 Xasump 13 1 0 1 0 0 0 1 Dermatitis
111 Rifky 13 0 0 0 1 0 1 0 Infeksi
112 Rofik 14 0 0 0 0 0 1 0 Abses(bengkak)
113 Irfan 30 1 0 1 0 0 0 1 Dermatitis
114 Rosyid 30 0 0 1 0 0 0 0 Alergi
115 Arif 14 0 0 0 1 0 0 0 Avlesratum
116 Suhendi 16 1 0 1 0 0 0 1 Dermatitis
117 Abdurrohman 14 1 0 1 1 0 1 1 Dermatitis
118 Supriadi 14 0 0 0 1 0 0 0 Luka
119 Saka 12 1 0 1 1 0 0 1 Dermatitis
120 Lukman 14 1 0 0 0 0 0 0 Alergi
121 Tarmidzi 30 1 0 1 0 0 0 1 Dermatitis
122 Kholid 14 1 0 1 0 0 0 1 Dermatitis
123 Agus 17 1 0 1 0 0 0 1 Dermatitis
124 Fahri 17 1 0 1 0 0 0 1 Dermatitis
125 najmuddin 13 0 0 0 1 0 0 0 Luka
126 Hamzah 13 1 0 0 0 0 0 0 Alergi
127 Isya 30 1 0 1 0 0 0 1 Dermatitis
128 Aldo 12 0 0 0 1 0 0 0 Avlesratum
129 Azam 13 1 0 1 1 0 1 1 Dermatitis
130 Yusuf 13 1 0 1 0 0 1 1 Dermatitis
131 Tama 11 1 0 1 0 0 0 1 Dermatitis
132 Jufri 13 1 0 1 0 0 1 1 Dermatitis
133 Ghiyyats 13 1 0 1 1 0 1 1 Dermatitis
134 Dzikri 13 1 0 1 0 0 0 1 Dermatitis
135 Agam 13 1 0 1 0 0 1 1 Dermatitis
136 Ical 14 1 0 1 0 0 0 1 Dermatitis
137 wimpi 13 1 0 1 0 0 0 1 Dermatitis
138 Irfan 12 1 0 1 0 0 0 1 Dermatitis
139 Thoriq 14 1 0 1 0 0 0 1 Dermatitis
140 Tono 40 1 0 1 0 0 0 1 Dermatitis
141 Zubair 10 1 0 1 0 0 0 1 Dermatitis
142 Aldi 11 1 0 1 0 0 0 1 Dermatitis
143 Dede Ali 11 1 0 1 0 0 0 1 Dermatitis
144 Shomad 30 0 0 0 1 0 1 0 Infeksi
145 Tono 30 1 0 1 0 0 0 1 Dermatitis
146 Dzaky 13 0 0 0 1 0 0 0 Luka
147 Bayu 10 1 0 1 0 0 1 1 Dermatitis
148 Isya 30 1 0 1 0 0 0 1 Dermatitis
149 Figo 13 0 0 0 1 0 0 0 Avlesratum
150 Dede 11 1 0 1 0 0 1 1 Dermatitis
151 Fauzi 14 1 0 1 1 0 0 1 Dermatitis
152 Ahmad 30 1 0 1 0 0 0 1 Dermatitis
153 Samsir 30 0 0 0 1 0 1 0 Infeksi
154 Hasyim 40 1 0 1 0 0 0 1 Dermatitis
155 Gani 13 0 0 1 0 0 0 0 Alergi
156 Ando 15 0 0 0 1 0 0 0 Luka
157 Sultan 19 1 0 1 0 0 0 1 Dermatitis
158 Rofik 12 1 0 1 0 0 1 1 Dermatitis
159 Andi 17 0 1 0 0 0 0 0 Kutilan
160 Heri 30 1 0 1 0 0 1 1 Dermatitis
161 Diaz 13 1 0 1 0 0 0 1 Dermatitis
162 Kaab 13 1 0 1 0 0 1 1 Dermatitis
163 Yusuf 13 1 0 1 0 0 0 1 Dermatitis
164 Guntur 40 1 0 1 0 0 0 1 Dermatitis
165 Raka 14 0 1 1 0 0 0 0 Alergi
166 Rizky 12 1 0 1 0 0 0 1 Dermatitis
167 Hanif 15 1 0 1 0 0 0 1 Dermatitis
168 Irfan 14 0 1 0 0 0 1 0 Infeksi
169 Raka 14 1 0 1 0 0 0 1 Dermatitis
170 Bayu 10 1 0 1 0 0 0 1 Dermatitis
171 Hafizh 13 1 0 1 0 0 0 1 Dermatitis
172 Miftah 15 1 0 1 0 0 0 1 Dermatitis
173 Azmi 12 1 0 1 0 0 0 1 Dermatitis
174 Karim 13 1 0 1 0 0 0 1 Dermatitis
175 Fawwaz 12 1 1 1 1 0 0 0 Herpes
176 Ibnu 13 1 0 0 0 0 1 0 Infeksi
177 Mudiram 12 1 0 1 0 0 0 1 Dermatitis
178 Adit 15 1 1 1 0 0 0 0 Alergi
179 Salman 13 1 0 1 0 0 0 1 Dermatitis
180 Farhan 14 1 0 1 0 0 0 1 Dermatitis
181 Osama 13 1 0 1 0 0 0 1 Dermatitis
182 Hanif 15 1 0 1 0 0 0 1 Dermatitis
183 Hisyam 12 1 0 1 0 0 0 1 Dermatitis
184 Aqwam 13 1 0 1 0 0 0 1 Dermatitis
185 Alif 12 1 0 1 0 0 0 1 Dermatitis
186 Rifky 13 1 0 1 0 0 0 1 Dermatitis
187 Afif 13 1 0 1 0 0 0 1 Dermatitis
188 Haidar 13 1 0 1 0 0 0 1 Dermatitis
189 Haidar 13 1 0 1 0 0 1 1 Dermatitis
190 King 13 1 0 1 0 0 0 1 Dermatitis
191 Azman 13 1 0 1 0 0 0 1 Dermatitis
192 Jafar 13 0 1 0 0 0 1 0 Infeksi
193 Hari 30 1 0 1 0 0 0 1 Dermatitis
194 Jafar 13 1 0 1 1 0 0 1 Dermatitis
195 Akmal 13 0 1 0 0 0 1 0 Infeksi
196 Kiki 12 1 0 1 0 0 1 1 Dermatitis
197 Hamzah 13 1 0 1 0 0 0 1 Dermatitis
198 Mikail 30 1 0 1 0 0 1 1 Dermatitis
199 Bayu 10 1 0 1 0 0 0 1 Dermatitis
200 Akbar 17 1 0 1 0 0 0 1 Dermatitis
201 Qurdis 13 1 0 1 0 0 0 1 Dermatitis
202 Rizan 12 0 0 0 1 0 1 0 Infeksi
203 Figo 13 1 0 1 0 0 1 1 Dermatitis
204 Acil 13 0 0 0 1 0 1 0 Abses(bengkak)
205 Ahmad 30 1 0 1 1 0 0 1 Dermatitis
206 Uga 8 1 0 1 0 0 1 1 Dermatitis
207 Gilang 11 1 0 1 0 0 0 1 Dermatitis
208 Nafis 12 1 0 1 0 0 0 1 Dermatitis
209 Zainal 12 1 0 1 0 0 0 1 Dermatitis
210 Ihrom 13 1 0 1 0 0 0 1 Dermatitis
211 Robi 12 1 0 1 0 0 0 1 Dermatitis
212 Bayu 10 1 0 1 0 0 0 1 Dermatitis
213 Isya 30 1 0 1 0 0 0 1 Dermatitis
214 Rafa 13 1 0 1 0 0 0 1 Dermatitis
215 Zaky 13 1 0 1 0 0 0 1 Dermatitis
216 Azhar 13 1 0 1 0 0 1 1 Dermatitis
217 Arfani 13 1 0 1 0 0 0 1 Dermatitis
218 Alif 13 1 0 1 0 0 0 1 Dermatitis
219 Zulfan 13 1 0 1 0 0 1 1 Dermatitis
220 Tono 30 1 0 1 0 0 0 1 Dermatitis
221 Budi 30 1 0 1 0 0 0 1 Dermatitis
222 Bokrum 30 1 0 1 0 0 0 1 Dermatitis
223 Syarif 30 1 0 1 0 0 0 1 Dermatitis
224 Kholidi 30 1 0 1 0 0 0 1 Dermatitis
225 Firdaus 17 1 0 1 0 0 0 1 Dermatitis
226 Miarso 50 1 0 1 0 0 0 1 Dermatitis
227 Kiki 12 1 0 1 0 0 0 1 Dermatitis
228 Yusuf 14 1 0 1 0 0 0 1 Dermatitis
Keterangan:
0 = Gejala tidak dikeluhkan oleh pasien
1 = Gejala dikeluhkan oleh pasien
Lampiran A.2.
Tabel Sampel 165 Data Arsip Rekam Medik
No Nama Umur Gejala
Diagnosa Kulit Kemerahan Vesikel(bintik) Gatal Luka Panas Infeksi Class_dermatitis
1 Andra 12 1 0 1 0 0 0 1 Dermatitis
2 Fikrul 13 1 0 1 0 0 0 1 Dermatitis
3 Ruli 14 0 0 1 0 0 1 0 tineapedise
4 Aman 14 1 1 1 0 1 0 0 Varicela
5 wildan 12 1 0 1 1 0 1 1 Dermatitis
6 Dede 10 1 0 1 0 0 1 1 Dermatitis
7 Santri 12 1 1 1 0 1 0 0 Varicela
8 Fauzi 15 1 0 1 1 0 1 1 Dermatitis
9 Sulthan 12 1 1 1 0 1 0 0 Varicela
10 Abdul Hadi 16 1 1 1 0 0 0 0 Alergi
11 Uga 7 1 0 0 1 0 1 0 Abses(bengkak)
12 Gusti 10 1 0 1 0 0 0 1 Dermatitis
13 Nabil 10 1 0 1 1 0 1 1 Dermatitis
14 Sopian 13 1 0 1 0 0 1 1 Dermatitis
15 Nabil 10 1 0 1 1 0 0 1 Dermatitis
16 Miswanto 13 0 0 0 1 0 1 0 Abses(bengkak)
17 Syafiq 12 1 0 0 1 0 1 0 Implamantori (radang)
18 Billy 10 1 0 1 0 0 1 1 Dermatitis
19 Diki 8 1 0 1 0 0 1 1 Dermatitis
20 Akbar 10 0 0 0 1 0 1 0 Abses(bengkak)
21 Gusti 12 1 0 1 0 0 1 1 Dermatitis
22 Asgar 10 1 0 1 1 0 0 1 Dermatitis
23 Dani 9 1 0 1 1 0 0 1 Dermatitis
24 Supian 13 1 0 1 0 0 0 1 Dermatitis
25 Salman 12 1 0 1 0 0 1 1 Dermatitis
26 Fatan 10 1 0 1 0 0 1 1 Dermatitis
27 Asgar 10 1 0 1 0 0 0 1 Dermatitis
28 Khaerul 11 1 0 1 0 0 0 1 Dermatitis
29 Andi 30 1 0 1 0 0 0 1 Dermatitis
30 Robbi 11 1 0 1 0 0 0 1 Dermatitis
31 Fikrul 13 1 0 1 1 0 0 1 Dermatitis
32 Ahnap 12 1 0 1 1 0 0 1 Dermatitis
33 Ahmad Najib 13 1 0 1 1 0 0 1 Dermatitis
34 Abbas 13 0 0 0 1 0 1 0 Abses(bengkak)
35 Genta 11 0 1 0 0 0 0 0 Kutil
36 Sandri 15 1 0 1 0 0 0 1 Dermatitis
37 Fatah 10 1 0 1 1 0 0 1 Dermatitis
38 Asgar 9 1 0 1 1 0 0 1 Dermatitis
39 Genta 11 0 0 0 1 0 1 0 Abses(bengkak)
40 Akbar 9 1 0 1 0 0 0 1 Dermatitis
41 Asgar 9 1 0 1 0 0 0 1 Dermatitis
42 Gusti 11 0 0 0 1 0 1 0 Infeksi
43 Hasan 11 0 0 0 1 0 1 0 Infeksi
44 Fikrul 13 0 0 0 1 0 1 0 Infeksi
45 Noval 14 0 0 0 1 0 1 0 Abses(bengkak)
46 Dimas 14 0 0 1 0 0 0 0 Alergi
47 Uga 7 1 1 1 0 1 0 0 Varicela
48 Luthfi 10 0 0 0 1 0 1 0 Infeksi
49 Noval 14 0 0 0 1 0 0 0 Luka
50 Rivaldi 16 0 0 0 1 0 1 0 Infeksi
51 Nacep 30 0 0 0 1 0 1 0 Infeksi
52 Akbar 9 1 0 1 1 0 1 1 Dermatitis
53 Asgar 9 1 0 1 1 0 1 1 Dermatitis
54 Zaky 12 1 0 1 1 0 1 1 Dermatitis
55 Akbar 9 1 0 1 0 0 1 1 Dermatitis
56 Sulthan 12 1 0 1 0 0 0 1 Dermatitis
57 Nabil 13 1 0 1 1 0 0 1 Dermatitis
58 Levy 12 1 0 1 0 0 0 1 Dermatitis
59 Faza 13 1 0 1 0 0 1 1 Dermatitis
60 Rifky 16 1 0 1 0 0 0 1 Dermatitis
61 Kholid 13 0 0 1 0 0 0 0 Avlesratum(luka)
62 Ismail 7 1 0 0 1 0 0 0 Luka
63 Aziz 16 1 0 1 0 0 0 1 Dermatitis
64 Fauzi 15 1 0 1 0 0 0 1 Dermatitis
65 Qohar 15 1 0 1 0 0 0 1 Dermatitis
66 Iqbal 14 1 0 1 0 0 0 1 Dermatitis
67 Andi 16 1 0 1 1 0 0 1 Dermatitis
68 Dwi 14 0 0 0 1 0 0 0 luka
69 Iman 14 0 0 0 1 0 0 0 luka
70 Dwi 14 0 0 0 1 0 0 0 Avlesratum
71 Haris 17 0 0 0 1 0 0 0 Avlesratum
72 Nanda 12 0 0 0 1 0 0 0 luka
73 Aldi 13 1 0 1 0 0 1 1 Dermatitis
74 Rifky 16 1 0 1 0 0 0 1 Dermatitis
75 Abul 12 1 1 1 1 0 0 0 Herpes
76 Syahid 12 1 1 1 0 0 0 0 Alergi
77 Fatun 13 1 0 0 0 0 1 0 Infeksi
78 Iqbal 14 0 0 0 1 0 0 0 Luka
79 Rifky 17 1 0 1 0 0 0 1 Dermatitis
80 Anggih 9 0 0 0 1 0 1 0 Infeksi
81 Faza 12 0 0 1 0 0 0 0 Alergi
82 Iqbal 14 0 0 0 1 0 0 0 Luka
83 Raka 13 1 0 1 0 0 0 1 Dermatitis
84 Panji 12 0 0 0 1 0 0 0 Avlesratum
85 Firdaus 15 1 0 1 0 0 0 1 Dermatitis
86 Ardan 12 1 0 1 0 0 0 1 Dermatitis
87 Rizky 17 1 0 1 0 0 0 1 Dermatitis
88 Hudzaifah 17 0 0 1 1 0 1 0 Alergi
89 Rohmat 11 1 0 1 0 0 0 1 Dermatitis
90 Luthfi 11 1 0 1 0 0 0 1 Dermatitis
91 Rifky 9 0 0 0 1 0 0 0 Avlesratum
92 Rivaldo 11 1 0 1 0 0 1 1 Dermatitis
93 Firas 16 0 0 0 1 0 0 0 Luka
94 Billi 11 1 0 1 1 0 1 1 Dermatitis
95 Yan 12 1 0 1 1 0 1 1 Dermatitis
96 Catur 17 1 0 1 1 0 1 1 Dermatitis
97 Fahmi 12 1 0 1 0 0 0 1 Dermatitis
98 Yoyo 40 1 0 1 0 0 0 1 Dermatitis
99 Farhan 11 1 0 1 0 0 0 1 Dermatitis
100 Asgar 9 0 0 0 1 0 0 0 Luka
101 Akbar 9 0 0 0 1 0 0 0 Luka
102 Ikhsan 9 0 0 0 1 0 0 0 Luka
103 Luthfi 12 1 0 1 0 0 0 1 Dermatitis
104 Zainal 14 0 0 1 1 0 1 0 Alergi
105 Rizal 12 0 0 0 0 0 1 0 Alergi
106 Asep 13 1 0 1 0 0 0 1 Dermatitis
107 Faza 14 0 1 0 0 0 0 0 Kutilan
108 Wildan 13 1 0 1 0 0 0 1 Dermatitis
109 Dede 11 1 0 1 0 0 0 1 Dermatitis
110 Xasump 13 1 0 1 0 0 0 1 Dermatitis
111 Rifky 13 0 0 0 1 0 1 0 Infeksi
112 Rofik 14 0 0 0 0 0 1 0 Abses(bengkak)
113 Irfan 30 1 0 1 0 0 0 1 Dermatitis
114 Rosyid 30 0 0 1 0 0 0 0 Alergi
115 Arif 14 0 0 0 1 0 0 0 Avlesratum
116 Suhendi 16 1 0 1 0 0 0 1 Dermatitis
117 Abdurrohman 14 1 0 1 1 0 1 1 Dermatitis
118 Supriadi 14 0 0 0 1 0 0 0 Luka
119 Saka 12 1 0 1 1 0 0 1 Dermatitis
120 Lukman 14 1 0 0 0 0 0 0 Alergi
121 Tarmidzi 30 1 0 1 0 0 0 1 Dermatitis
122 Kholid 14 1 0 1 0 0 0 1 Dermatitis
123 Agus 17 1 0 1 0 0 0 1 Dermatitis
124 Fahri 17 1 0 1 0 0 0 1 Dermatitis
125 najmuddin 13 0 0 0 1 0 0 0 Luka
126 Hamzah 13 1 0 0 0 0 0 0 Alergi
127 Isya 30 1 0 1 0 0 0 1 Dermatitis
128 Aldo 12 0 0 0 1 0 0 0 Avlesratum
129 Azam 13 1 0 1 1 0 1 1 Dermatitis
130 Yusuf 13 1 0 1 0 0 1 1 Dermatitis
131 Tama 11 1 0 1 0 0 0 1 Dermatitis
132 Jufri 13 1 0 1 0 0 1 1 Dermatitis
133 Ghiyyats 13 1 0 1 1 0 1 1 Dermatitis
134 Dzikri 13 1 0 1 0 0 0 1 Dermatitis
135 Agam 13 1 0 1 0 0 1 1 Dermatitis
136 Ical 14 1 0 1 0 0 0 1 Dermatitis
137 wimpi 13 1 0 1 0 0 0 1 Dermatitis
138 Irfan 12 1 0 1 0 0 0 1 Dermatitis
139 Thoriq 14 1 0 1 0 0 0 1 Dermatitis
140 Tono 40 1 0 1 0 0 0 1 Dermatitis
141 Zubair 10 1 0 1 0 0 0 1 Dermatitis
142 Aldi 11 1 0 1 0 0 0 1 Dermatitis
143 Dede Ali 11 1 0 1 0 0 0 1 Dermatitis
144 Shomad 30 0 0 0 1 0 1 0 Infeksi
145 Tono 30 1 0 1 0 0 0 1 Dermatitis
146 Dzaky 13 0 0 0 1 0 0 0 Luka
147 Bayu 10 1 0 1 0 0 1 1 Dermatitis
148 Isya 30 1 0 1 0 0 0 1 Dermatitis
149 Figo 13 0 0 0 1 0 0 0 Avlesratum
150 Dede 11 1 0 1 0 0 1 1 Dermatitis
151 Fauzi 14 1 0 1 1 0 0 1 Dermatitis
152 Ahmad 30 1 0 1 0 0 0 1 Dermatitis
153 Samsir 30 0 0 0 1 0 1 0 Infeksi
154 Hasyim 40 1 0 1 0 0 0 1 Dermatitis
155 Gani 13 0 0 1 0 0 0 0 Alergi
156 Ando 15 0 0 0 1 0 0 0 Luka
157 Sultan 19 1 0 1 0 0 0 1 Dermatitis
158 Rofik 12 1 0 1 0 0 1 1 Dermatitis
159 Andi 17 0 1 0 0 0 0 0 Kutilan
160 Heri 30 1 0 1 0 0 1 1 Dermatitis
161 Diaz 13 1 0 1 0 0 0 1 Dermatitis
162 Kaab 13 1 0 1 0 0 1 1 Dermatitis
163 Yusuf 13 1 0 1 0 0 0 1 Dermatitis
164 Guntur 40 1 0 1 0 0 0 1 Dermatitis
165 Raka 14 0 1 1 0 0 0 0 Alergi
Keterangan:
0 = Gejala tidak dikeluhkan oleh pasien
1 = Gejala dikeluhkan oleh pasien
Lampiran A.3.
Tabel Data Arsip Rekam Medik Untuk Diproses Dengan Software Rapidminer No Kemerahan Vesikel gatal luka panas infeksi class_dermatitis
1 1 0 1 0 0 0 Y
2 1 0 1 0 0 0 Y
3 0 0 1 0 0 1 N
4 1 1 1 0 1 0 N
5 1 0 1 1 0 1 Y
6 1 0 1 0 0 1 Y
7 1 1 1 0 1 0 N
8 1 0 1 1 0 1 Y
9 1 1 1 0 1 0 N
10 1 1 1 0 0 0 N
11 1 0 0 1 0 1 N
12 1 0 1 0 0 0 Y
13 1 0 1 1 0 1 Y
14 1 0 1 0 0 1 Y
15 1 0 1 1 0 0 Y
16 0 0 0 1 0 1 N
17 1 0 0 1 0 1 N
18 1 0 1 0 0 1 Y
19 1 0 1 0 0 1 Y
20 0 0 0 1 0 1 N
21 1 0 1 0 0 1 Y
22 1 0 1 1 0 0 Y
23 1 0 1 1 0 0 Y
24 1 0 1 0 0 0 Y
25 1 0 1 0 0 1 Y
26 1 0 1 0 0 1 Y
27 1 0 1 0 0 0 Y
28 1 0 1 0 0 0 Y
29 1 0 1 0 0 0 Y
30 1 0 1 0 0 0 Y
31 1 0 1 1 0 0 Y
32 1 0 1 1 0 0 Y
33 1 0 1 1 0 0 Y
34 0 0 0 1 0 1 N
35 0 1 0 0 0 0 N
36 1 0 1 0 0 0 Y
37 1 0 1 1 0 0 Y
38 1 0 1 1 0 0 Y
39 0 0 0 1 0 1 N
40 1 0 1 0 0 0 Y
41 1 0 1 0 0 0 Y
42 0 0 0 1 0 1 N
43 0 0 0 1 0 1 N
44 0 0 0 1 0 1 N
45 0 0 0 1 0 1 N
46 0 0 1 0 0 0 N
47 1 1 1 0 1 0 N
48 0 0 0 1 0 1 N
49 0 0 0 1 0 0 N
50 0 0 0 1 0 1 N
51 0 0 0 1 0 1 N
52 1 0 1 1 0 1 Y
53 1 0 1 1 0 1 Y
54 1 0 1 1 0 1 Y
55 1 0 1 0 0 1 Y
56 1 0 1 0 0 0 Y
57 1 0 1 1 0 0 Y
58 1 0 1 0 0 0 Y
59 1 0 1 0 0 1 Y
60 1 0 1 0 0 0 Y
61 0 0 1 0 0 0 N
62 1 0 0 1 0 0 N
63 1 0 1 0 0 0 Y
64 1 0 1 0 0 0 Y
65 1 0 1 0 0 0 Y
66 1 0 1 0 0 0 Y
67 1 0 1 1 0 0 Y
68 0 0 0 1 0 0 N
69 0 0 0 1 0 0 N
70 0 0 0 1 0 0 N
71 0 0 0 1 0 0 N
72 0 0 0 1 0 0 N
73 1 0 1 0 0 1 Y
74 1 0 1 0 0 0 Y
75 1 1 1 1 0 0 N
76 1 1 1 0 0 0 N
77 1 0 0 0 0 1 N
78 0 0 0 1 0 0 N
79 1 0 1 0 0 0 Y
80 0 0 0 1 0 1 N
81 0 0 1 0 0 0 N
82 0 0 0 1 0 0 N
83 1 0 1 0 0 0 Y
84 0 0 0 1 0 0 N
85 1 0 1 0 0 0 Y
86 1 0 1 0 0 0 Y
87 1 0 1 0 0 0 Y
88 0 0 1 1 0 1 N
89 1 0 1 0 0 0 Y
90 1 0 1 0 0 0 Y
91 0 0 0 1 0 0 N
92 1 0 1 0 0 1 Y
93 0 0 0 1 0 0 N
94 1 0 1 1 0 1 Y
95 1 0 1 1 0 1 Y
96 1 0 1 1 0 1 Y
97 1 0 1 0 0 0 Y
98 1 0 1 0 0 0 Y
99 1 0 1 0 0 0 Y
100 0 0 0 1 0 0 N
101 0 0 0 1 0 0 N
102 0 0 0 1 0 0 N
103 1 0 1 0 0 0 Y
104 0 0 1 1 0 1 N
105 0 0 0 0 0 1 N
106 1 0 1 0 0 0 Y
107 0 1 0 0 0 0 N
108 1 0 1 0 0 0 Y
109 1 0 1 0 0 0 Y
110 1 0 1 0 0 0 Y
111 0 0 0 1 0 1 N
112 0 0 0 0 0 1 N
113 1 0 1 0 0 0 Y
114 0 0 1 0 0 0 N
115 0 0 0 1 0 0 N
116 1 0 1 0 0 0 Y
117 1 0 1 1 0 1 Y
118 0 0 0 1 0 0 N
119 1 0 1 1 0 0 Y
120 1 0 0 0 0 0 N
121 1 0 1 0 0 0 Y
122 1 0 1 0 0 0 Y
123 1 0 1 0 0 0 Y
124 1 0 1 0 0 0 Y
125 0 0 0 1 0 0 N
126 1 0 0 0 0 0 N
127 1 0 1 0 0 0 Y
128 0 0 0 1 0 0 N
129 1 0 1 1 0 1 Y
130 1 0 1 0 0 1 Y
131 1 0 1 0 0 0 Y
132 1 0 1 0 0 1 Y
133 1 0 1 1 0 1 Y
134 1 0 1 0 0 0 Y
135 1 0 1 0 0 1 Y
136 1 0 1 0 0 0 Y
137 1 0 1 0 0 0 Y
138 1 0 1 0 0 0 Y
139 1 0 1 0 0 0 Y
140 1 0 1 0 0 0 Y
141 1 0 1 0 0 0 Y
142 1 0 1 0 0 0 Y
143 1 0 1 0 0 0 Y
144 0 0 0 1 0 1 N
145 1 0 1 0 0 0 Y
146 0 0 0 1 0 0 N
147 1 0 1 0 0 1 Y
148 1 0 1 0 0 0 Y
149 0 0 0 1 0 0 N
150 1 0 1 0 0 1 Y
151 1 0 1 1 0 0 Y
152 1 0 1 0 0 0 Y
153 0 0 0 1 0 1 N
154 1 0 1 0 0 0 Y
155 0 0 1 0 0 0 N
156 0 0 0 1 0 0 N
157 1 0 1 0 0 0 Y
158 1 0 1 0 0 1 Y
159 0 1 0 0 0 0 N
160 1 0 1 0 0 1 Y
161 1 0 1 0 0 0 Y
162 1 0 1 0 0 1 Y
163 1 0 1 0 0 0 Y
164 1 0 1 0 0 0 Y
165 0 1 1 0 0 0 N
166 1 0 1 0 0 0 Y
167 1 0 1 0 0 0 Y
168 0 1 0 0 0 1 N
169 1 0 1 0 0 0 Y
170 1 0 1 0 0 0 Y
171 1 0 1 0 0 0 Y
172 1 0 1 0 0 0 Y
173 1 0 1 0 0 0 Y
174 1 0 1 0 0 0 Y
175 1 1 1 1 0 0 N
176 1 0 0 0 0 1 N
177 1 0 1 0 0 0 Y
178 1 1 1 0 0 0 N
179 1 0 1 0 0 0 Y
180 1 0 1 0 0 0 Y
181 1 0 1 0 0 0 Y
182 1 0 1 0 0 0 Y
183 1 0 1 0 0 0 Y
184 1 0 1 0 0 0 Y
185 1 0 1 0 0 0 Y
186 1 0 1 0 0 0 Y
187 1 0 1 0 0 0 Y
188 1 0 1 0 0 0 Y
189 1 0 1 0 0 1 Y
190 1 0 1 0 0 0 Y
191 1 0 1 0 0 0 Y
192 0 1 0 0 0 1 N
193 1 0 1 0 0 0 Y
194 1 0 1 1 0 0 Y
195 0 1 0 0 0 1 N
196 1 0 1 0 0 1 Y
197 1 0 1 0 0 0 Y
198 1 0 1 0 0 1 Y
199 1 0 1 0 0 0 Y
200 1 0 1 0 0 0 Y
201 1 0 1 0 0 0 Y
202 0 0 0 1 0 1 N
203 1 0 1 0 0 1 Y
204 0 0 0 1 0 1 N
205 1 0 1 1 0 0 Y
206 1 0 1 0 0 1 Y
207 1 0 1 0 0 0 Y
208 1 0 1 0 0 0 Y
209 1 0 1 0 0 0 Y
210 1 0 1 0 0 0 Y
211 1 0 1 0 0 0 Y
212 1 0 1 0 0 0 Y
213 1 0 1 0 0 0 Y
214 1 0 1 0 0 0 Y
215 1 0 1 0 0 0 Y
216 1 0 1 0 0 1 Y
217 1 0 1 0 0 0 Y
218 1 0 1 0 0 0 Y
219 1 0 1 0 0 1 Y
220 1 0 1 0 0 0 Y
221 1 0 1 0 0 0 Y
222 1 0 1 0 0 0 Y
223 1 0 1 0 0 0 Y
224 1 0 1 0 0 0 Y
225 1 0 1 0 0 0 Y
226 1 0 1 0 0 0 Y
227 1 0 1 0 0 0 Y
228 1 0 1 0 0 0 Y
Keterangan:
Y = Penyakit Kulit Yang Termasuk Dermatitis
N = Penyakit Kulit Yang Tidak Termasuk Dermatitis
Lampiran B.1.
Penghitungan Manual Diagnosa Penyakit Kulit Menggunakan
Metode Naïve Bayes
Pada penghitungan manual, peneliti membutuhkan satu sampel set data
pengujian untuk mendapatkan penghitungan metode klasifikasi naïve bayes.
Sampel tersebut merupakan sampel yang diambil dari populasi data yang
berjumlah 228 data. Sampel tersebut adalah sampel data ke-166 yang
diperlihatkan oleh gambar berikut:
Sampel tersebut, mempunyai karakteristik gejala kulit kemerahan dan gatal,
oleh karena itu, peneliti membuat penghitungan dari 165 sampel yang telah
peneliti lampirkan di lampiran A.2 berdasarkan gejala-gejala tersebut.
1. Mencari nilai prior probability untuk class_dermatitis=”Yes” dan
class_dermatitis=”No”, yaitu:
a. P(class_dermatitis=”Yes”) = 102/165 = 0,618
b. P(class_dermatitis=”No”) = 63/165 = 0,382
2. Setelah prior probability ditemukan, maka peneliti akan menghitung nilai dari
masing-masing atribut gejala berdasarkan gejala-gejala yang dialami oleh
sampel tersebut pada kelas-kelas dermatitis.
a. P(kulit_kemerahan = 1 | class_dermatitis=”Yes”) = 102/102 = 1
b. P(kulit_kemerahan = 1 | class_dermatitis=”No”) = 13/63 = 0,206
c. P(vesikel = 0 | class_dermatitis=”Yes”) = 102/102 = 1
d. P(vesikel = 0 | class_dermatitis=”No”) = 52/63 = 0,825
Gambar Lampiran B.1.1 Sampel Data Pengujian
e. P(gatal = 1 | class_dermatitis=”Yes”) = 102/102 = 1
f. P(gatal = 1 | class_dermatitis=”No”) = 16/63 = 0,254
g. P(luka = 0 | class_dermatitis=”Yes”) = 78/102 = 0,765
h. P(luka = 0 | class_dermatitis=”No”) = 21/63 = 0,333
i. P(panas = 0 | class_dermatitis=”Yes”) = 102/102 = 1
j. P(panas = 0 | class_dermatitis=”No”) = 59/63 = 0,937
k. P(infeksi = 0 | class_dermatitis=”Yes”) = 71/102 = 0,696
l. P(infeksi = 0 | class_dermatitis=”No”) = 40/63 = 0,635
3. Setelah mendapatkan nilai dari seluruh atribut pada masing-masing kelas, maka
peneliti membuat penghitungan nilai keseluruhan atribut dari masing-masing
kelas:
a. P(X| class_dermatitis=”Yes”) = 1 X 1 X 1X 0,765 X 1 X 0,696 = 0,532
b. P(X| class_dermatitis=”No”) = 0,206 X 0,825 X 0,254 X 0,333 X 0,937 X
0,635 = 0,009
4. Setelah menemukan hasil penghitungan nilai keseluruhan atribut dari masing-
masing kelas, maka peneliti membuat penghitungan nilai dari setiap kelas yang
dihasilkan berdasarkan nilai keseluruhan atribut dari masing-masing kelas
dengan nilai prior probability yang telah dihitung sebelumnya:
a. P(X| class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) = 0,532 X 0,618 =
0,329
b. P(X| class_dermatitis=”No”)P(class_dermatitis=”No”) = 0,009 X 0,382 =
0,003
5. Maka, berdasarkan hasil penghitungan pada poin keempat didapatkan hasil:
P(X| class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) > P(X|
class_dermatitis=”No”)P(class_dermatitis=”No”). Artinya, gejala-gejala
yang ditimbulkan dari sampel data ke-166 merupakan gejala-gejala penyakit
kulit yang termasuk dermatitis.
Lampiran C.1.
Catatan Anekdot
Nama Sekolah : SMPIT AL BINAA IBS
Tanggal Pengamatan : 2-4 Agustus 2015
Objek penelitian : Siswa, Guru, dan Karyawan
Catatan:
1
Terdapat 2 orang siswa yang saat itu menderita penyakit kulit yang termasuk
dermatitis, dengan ciri-ciri: kulit kemerahan dan gatal
2
Kualitas air di SMPIT AL BINAA IBS kurang baik, karena sekolah tersebut
terletak di daerah persawahan yang pada umumnya kualitas air di tempat
tersebut rendah.
3
Ada siswa yang jarang mengganti pakaiannya dalam satu hari, sehingga
keringat pada pakaian tersebut akan menempel pada pakaian tersebut dan
menyebabkan kemunculan bakteri.
4
Lingkungan SMPIT AL BINAA IBS yang mengharuskan seluruh siswa untuk
berasrama memudahkan penularan penyakit kulit secara cepat.
Lampiran C.2.
Laporan Wawancara
Nama Pewawancara/NIM :Muhammad Ihrom/11122703
Program Studi :Sistem Informasi
Keperluan :Untuk penelitian dalam skripsi
Judul Skripsi :Diagnosa Penyakit Kulit Menggunakan Metode
Naïve Bayes pada SMPIT AL BINAA Islamic
Boarding School
Nama Responden : Bapak Ade Darsono (Bapak Ade)
Jabatan : Petugas Kesehatan SMPIT AL BINAA IBS
Tanggal : 5 Agustus 2015
No Pertanyaan Jawaban
1
Apa penyebab-penyebab kejadian
penyakit kulit yang terjadi di
SMPIT AL BINAA IBS?
Ada beberapa penyebab yang menyebabkan kejadian
penyakit kulit terjadi di SMPIT AL BINAA IBS,
yaitu:
1. Beberapa siswa kurang memperhatikan kesehatan
pakaian mereka, sehingga mereka jarang
mengganti pakaian mereka. Idealnya, siswa
mengganti pakaian mereka setelah mereka mandi
atau 2 kali sehari.
2. Beberapa siswa memiliki kulit yang sensitif yang
menyebabkan kulit mereka mudah terkena
penyakit kulit. Hal ini disebabkan tempat asal
mereka memiliki kualitas air yang bagus,
sedangkan di SMPIT AL BINAA IBS memiliki
kualitas air yang rendah. Oleh karena itu, kulit
mereka akan beradaptasi dengan air di lingkungan
sekolah ini, walaupun berakibat seringnya terkena
penyakit kulit yang masih dapat diantisipasi.
3. Kamar asrama yang kotor, akan menyebabkan
penumpukan debu. Debu merupakan tempat yang
nyaman untuk bakteri tinggal dan dapat masuk ke
dalam pori-pori manusia yang menyebabkan
terjadinya berbagai macam penyakit kulit.
4. Musim hujan merupakan musim yang keluhan
terhadap penyakit kulit lebih tinggi dari musim-
musim yang lain. Hal ini disebabkan tingginya
kelembapan pada musim tersebut. Cuaca yang
lembap akan memudahkan pertumbuhan bakteri,
jamur, dan virus yang dapat menyebabkan
penyakit kulit. Oleh karena itu, sebisa mungkin
pakaian harus terjaga kebersihannya dan tidak
lembap untuk mencegah penyebaran penyakit
kulit.
2 Bagaimana Bapak Ade berusaha
untuk mencegah penularan
penyakit ini?
Ada beberapa hal yang telah dilakukan untuk
mencegah penyakit kulit ini menyebar sehingga
terjadi epidemi, yaitu:
1. Memberikan penyuluhan tentang pendidikan
kesehatan yang harus diketahui oleh seluruh
keluarga besar SMPIT AL BINAA IBS.
Sehingga, seluruh keluarga besar SMPIT AL
BINAA IBS mengetahui hal-hal yang harus
dilakukan dan hal-hal yang harus dihindari untuk
mencegah penyakit kulit ini menyebar.
2. Menggunakan sabun anti bakteri atau lebih
dikenal dengan sabun yang mengandung TCC
(Triclosan). Sabun ini diharapkan dapat
meminimalisir angka kejadian penyakit kulit
karena sifatnya yang membunuh bakteri.
3. Penyuluhan untuk sering mengganti pakaian yang
telah dipakai selama satu hari. Hal ini disebabkan
sifat pakaian yang menyerap keringat yang
menyebabkan pakaian tersebut lembap.
Kelembapan pada pakaian dapat menyebabkan
bakteri tumbuh subur. Oleh karena itu,
penggantian pakaian yang lebih sering akan
meminimalkan kejadian penyakit kulit pada siswa
atau guru atau karyawan tersebut.
3 Apa saja gejala penyakit kulit
pada umumnya?
Hal ini bergantung pada penyakit kulit yang diderita
oleh pasien tersebut. Saya berikan contoh:
1. Dermatitis
Pada penyakit ini, akan ditemui kulit yang
berwarna kemerahan dan rasa gatal pada daerah
tersebut. Hal ini disebabkan peradangan pada
bagian kulit tersebut yang berasal dari bagian
dalam tubuh kita.
2. Varicela
Pada penyakit ini, pasien akan mengalami demam
dan muncul bintik-bintik yang berisi air serta
bintik-bintik tersebut semakin membesar hingga
fase penyembuhan. Penyakit ini disebabkan oleh
virus varicela yang dapat menular melalui udara,
sehingga penderita penyakit ini harus dikarantina.
3. Panu atau Kutu Air
Penyakit ini ditandai dengan adanya sisik atau
bagian tubuh yang berwarna putih yang disertai
rasa gatal. Penyebab penyakit ini disebabkan oleh
salah satu species jamur yang dapat tumbuh di
tubuh manusia. Akibat dari pertumbuhan jamur
tersebut di tubuh manusia, menyebabkan
kerusakan jaringan pada bagian tubuh manusia
tersebut yang ditandai dengan warna keputihan
dan rasa gatal pada bagian tersebut.
4. Infeksi
Penyakit ini muncul sebagai akibat dari luka yang
terkontaminasi dengan bakteri yang menyebabkan
sel darah putih melawan bakteri tersebut. Akibat
dari perlawanan sel darah putih tersebut, maka sel
darah putih yang mati akan membentuk sebuah
cairan berwarna kuning yang disebut nanah.
Apabila nanah tersebut menumpuk pada salah
satu anggota tubuh, akan menyebabkan bakteri
tumbuh dan menimbulkan abses (bengkak). Oleh
karena itu, perawatan pertama saat terjadi luka
dibutuhkan untuk menghindari infeksi tersebut,
yaitu: dengan memberikan cairan rivanol atau
cairan povidone iodine (betadine) untuk
membunuh kuman-kuman yang akan masuk ke
dalam luka yang terbuka.
PANDUAN PENGGUNAAN HAK CIPTA
Skripsi sarjana yang berjudul “Diagnosa Penyakit Kulit Menggunakan
Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School”
adalah hasil karya tulis asli MUHAMMAD IHROM dan bukan hasil terbitan
sehingga peredaran karya tulis hanya berlaku dilingkungan akademik saja, serta
memiliki hak cipta. Oleh karena itu, dilarang keras untuk menggandakan baik
sebagian maupun seluruhnya karya tulis ini, tanpa seizin penulis.
Referensi kepustakaan diperkenankan untuk dicatat tetapi pengutipan
atau peringkasan isi tulisan hanya dapat dilakukan dengan seizin penulis
dan disertai ketentuan pengutipan secara ilmiah dengan menyebutkan
sumbernya.
Untuk keperluan perizinan pada pemilik dapat menghubungi informasi
yang tertera di bawah ini:
Nama : MUHAMMAD
IHROM
Alamat : JL. Kucica I, Blok JG.4
no.2, Bintaro Sektor IX, Tangerang
Selatan, Banten, 15229
No. Telp : 0852186861815 (Konfirmasi
dengan SMS atau WhatsApp dengan
menyebutkan nama dan kampus)
E-mail :
Media Sosial : Facebook.com/muhihrom, twitter: @muhammad_ihrom_